Pengembangan Model Probabilistic Neural Networks untuk Prediksi Kategori Curah Hujan Skala Submusiman hingga Musiman

Abstract

Pengembangan model untuk memprediksi kategori curah hujan menjawab kebutuhan manusia dalam mengetahui kondisi cuaca dan iklim di masa yang akan datang. Model prediksi yang berfokus pada skala cuaca atau skala iklim dinilai tidak dapat sepenuhnya menjelaskan skala prediksi submusiman hingga musiman. Prediksi pada skala submusiman hingga musiman menjadi pengisi celah pada periode antara prediksi cuaca dan prediksi iklim. Pada penelitian ini, proses prediksi curah hujan pada periode submusiman hingga musiman dirancang untuk wilayah Kabupaten Indramayu. Perancangan model memanfaatkan beberapa parameter udara atas pada ketinggian 200 hPA dan 850 hPA yang diperoleh dari luaran General Circulation Model (GCM) S2S yang dikembangkan oleh ECMWF. Metode prediksi kategori yang dipilih untuk membangun model prediksi pada penelitian ini adalah Probabilistic Neural Networks (PNN) dengan memanfaatkan Principal Component Analysis (PCA) sebagai alat untuk melakukan reduksi dimensi pada prediktor. Data curah hujan yang digunakan untuk peubah terikat berupa data presipitasi yang dikeluarkan oleh CHIRPS. Model dievaluasi dengan menghitung akurasi model. Hasil percobaan membangun model dengan menggunakan n-component sama dengan 5 memiliki performa keseluruhan yang baik dengan rata-rata akurasi sebesar 82,177% dan waktu pelatihan model sebesar 76 menit.

The development of models to predict rainfall categories answers human needs in knowing future weather and climate conditions. Prediction models that focus on the weather scale or climate scale are considered unable to fully explain the sub-seasonal to seasonal prediction scale. Predictions on a sub-seasonal to seasonal scale fill the gap in the period between weather prediction and climate prediction. In this study, the rainfall prediction process in the sub-seasonal to seasonal period was designed for the Indramayu Regency area. The model design utilizes several upper air parameters at 200 hPA and 850 hPA altitudes obtained from the General Circulation Model (GCM) S2S output developed by ECMWF. The category prediction method chosen to build the prediction model in this study is Probabilistic Neural Networks (PNN) by utilizing Principal Component Analysis (PCA) as a tool to reduce the dimensions of the predictors. The rainfall data used for the dependent variable is precipitation data issued by CHIRPS. The model was evaluated by calculating model accuracy. The experimental results of building the model using n-components equal to 5 had good overall performance with an average accuracy of 82.177% and a model training time of 76 minutes.