Prediksi Curah Hujan Menggunakan Recurrent Neural Network (RNN) Dan Long Short-Term Memory (LSTM).

Irawan, Feri and Qur’ania, Arie and Munggaran Akhmad, Dinar (2024) Prediksi Curah Hujan Menggunakan Recurrent Neural Network (RNN) Dan Long Short-Term Memory (LSTM). Skripsi thesis, Universitas Pakuan.

[img] Text
Skripsi_065119023_Feri Irawan.pdf

Download (6MB)

Abstract

Feri Irawan, 2024. Prediksi Curah Hujan Menggunakan Recurrent Neural Network (RNN) Dan Long Short-Term Memory (LSTM). Dibawah bimbingan Ibu Arie Qur’ania, M.Kom. dan Dinar Munggaran Akhmad, S.Kom., M.Kom. Penelitian ini dilatar belakangi oleh Hujan yang merupakan salah satu fenomena alam yang menunjukan jatuhnya titik air dari atmosfer ke permukaan bumi. Curah hujan adalah jumlah air yang jatuh di tanah datar selama periode tertentu yang diukur dengan satuan tinggi (mm) di atas permukaan horizontal. Jumlah curah hujan diukur sebagai volume air yang jatuh di atas permukaan bidang datar dalam periode waktu tertentu, yaitu harian, mingguan, bulanan, atau tahunan. Intensitas curah hujan yang tinggi yang sering disebut hujan ekstrem dapat mengakibatkan terjadinya bencana alam. Prediksi Curah Hujan ini akan sangat berguna bagi petani agar dapat merencanakan waktu tanam dan panen dengan lebih efisien berdasarkan prediksi curah hujan. Ini membantu meningkatkan hasil pertanian dan mengoptimalkan penggunaan sumber daya. membantu mengoptimalkan penggunaan irigasi. Jika hujan yang cukup diharapkan, petani dan pengelola sumber daya air dapat mengurangi penggunaan irigasi dan menghemat air, membantu pencegahan banjir dengan memahami pola curah hujan yang diharapkan, dapat diambil langkah-langkah pencegahan untuk mengurangi risiko banjir. Misalnya, penataan tata air, konstruksi bendungan, atau peningkatan sistem drainase. Pengujian dimulai dari tahap pengumpulan data berupa data curah hujan yang di ambil dari website BMKG oleh BMKG Dramaga Kabupaten Bogor (Dramaga, Empang, Cariu, Leuwiliang, dan Gadog) pada Januari 2020 – Juni 2023 dengan jumlah data 6.375. Prediksi Curah Hujan Menggunakan Recurrent Neural Network (RNN) Dan Long Short�Term Memory (LSTM) dalam konteks prediksi curah hujan penelitian ini bertujuan untuk menyelidiki mana yang lebih efektif dalam memprediksi curah hujan dan didapatkan hasilnya bahawa metode LSTM dan RNN memiliki akurasi prediksi yang telah dievaluasi menggunakan MAPE dan RMSE dengan pembagian data 90%, 80%, 70%, 60% data Training dan 10%, 20%, 30%, 40% data Testing metode LSTM lebih baik dari pada RNN denagan rata-rata nilai MAPE LSTM 0.29%, 4.02%, 4.05%, 2.21% RMSE LSTM 2.44%, 7.53%, 3.96%, 4.21% dan MAPE RNN 0.31%, 2.33%, 4.22%, 2.23%, nilai RMSE RNN 2.52%, 7.69%, 3.97%, 4.26% pengujian paling baik metode LSTM ada pada pembagian data Training 60% dan testing 40% dengan rata-rata nilai MAPE LSTM 2.21% dan RMSE LSTM 4.21%.

Item Type: Thesis (Skripsi)
Divisions: Fakultas Matematika dan Ilmu Pengetahuan Alam > Ilmu Komputer
Depositing User: PERPUSTAKAAN FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNPAK
Date Deposited: 17 Jul 2024 02:13
Last Modified: 17 Jul 2024 02:13
URI: http://eprints.unpak.ac.id/id/eprint/7983

Actions (login required)

View Item View Item