APLIKASI SOFT COMPUTING PADA PREDIKSI CURAH HUJAN DI KALIMANTAN

Deni Septiadi

Abstract


Analisis clustering curah hujan di Kalimantan menggunakan Jaringan Kompetitif Kohonen menghasilkan 5 kelompok wilayah yang disebut Zona Prediksi. Sementara itu spektrum data memperlihatkan sinyal sunspot hadir dalam deret waktu data curah hujan di semua Zona Prediksi dengan magnitude terbesar pada Zona Prediksi 2 yang mengindikasikan bahwa zona  tersebut memberikan respon langsung pada fenomena sunspot. Peranan aktivitas matahari pada pembentukan awan tinggi dipercayai berkaitan dengan variabilitas fluks sinar kosmik yang bervariasi terhadap lintang. Prediksi curah hujan bulanan dengan Metode ANFIS maupun Jaringan Neural dilakukan dengan menggunakan 1 Prediktor (curah hujan) dan 2 Prediktor (kombinasi antara sinar kosmik dan sunspot) dengan panjang data bervariasi yaitu 45 tahun, 30 tahun, dan 15 tahun  serta panjang data 46 tahun untuk prediksi tahunan (2007–2020). Secara keseluruhan keluaran Metode ANFIS 1 Prediktor menunjukkan nilai rata-rata RMSE (Root Mean Square Error) yang lebih kecil untuk prediksi bulanan. Namun pada prediksi tahunan, Metode ANFIS 2 Prediktor menunjukkan hasil yang lebih baik. Dengan demikian fenomena sunspot dan sinar kosmik sebagai prediktor perlu dipertimbangkan dalam melakukan prediksi jangka panjang karena memberikan akurasi yang lebih baik dibandingkan jika hanya menggunakan curah hujan sebagai prediktor.

 

Clustering analysis of rainfall using competitive neural Kohonen yields 5 groups area called prediction zone. Meanwhile, data spectrum  shows that sunspot signal exist in time series of rainfall to all of prediction zone with the biggest magnitude at prediction zone 2 and indicates that zone gives direct response to the sunspot phenomena. Role of sunspot activity to the cloud formation believed relationships to the cosmic rays flux that various at latitude. Monthly rainfall prediction with ANFIS Method and Neural Network done with 1 Predictor (rainfall) and 2 Predictors (combine between cosmic rays and sunspot) at various length of data that is 45 years, 30 years, and 15 years and 46 years data length for yearly prediction (2007-2020). Over all, 1 Predictor ANFIS Method shows small average value RMSE (Root Mean Square Error) for monthly prediction. But, for yearly prediction 2 Predictors ANFIS Method shows more accurate. That’s way, sunspot  and cosmic rays phenomena as predictor needs to be considered for long term prediction because gives better accuracy then using rainfall as predictor.


Keywords


Clustering analysis;Competitive Neural;Prediction Zone;ANFIS;Neural Network



DOI: http://dx.doi.org/10.31172/jmg.v9i2.24

Refbacks

  • There are currently no refbacks.


PUBLISHED BY:

Pusat Penelitian dan Pengembangan

Badan Meteorologi, Klimatologi dan Geofisika (BMKG)

» http://puslitbang.bmkg.go.id/jmg


Jurnal Meteorologi dan Geofisika

e-ISSN : 2527-5372

p-ISSN : 1411-3082

 

Address : 

Jl. Angkasa 1 No. 2 Kemayoran, Jakarta Pusat 10720

» Phone : (+6221) 4246321 ext 1900

» Fax :(+6221) 65866238

Email Coordinatorthomas.hardy@bmkg.go.id


Plagiarism Tools

     

  Creative Commons License

Jurnal Meteorologi dan Geofisika is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

INDEXING

 

JMG Indexed by: