<> "The repository administrator has not yet configured an RDF license."^^ . <> . . . "Prediksi Curah Hujan Menggunakan Recurrent Neural Network \r\n(RNN) Dan Long Short-Term Memory (LSTM)."^^ . "Feri Irawan, 2024. Prediksi Curah Hujan Menggunakan Recurrent Neural Network \r\n(RNN) Dan Long Short-Term Memory (LSTM). Dibawah bimbingan Ibu Arie Qur’ania, \r\nM.Kom. dan Dinar Munggaran Akhmad, S.Kom., M.Kom. \r\nPenelitian ini dilatar belakangi oleh Hujan yang merupakan salah satu fenomena \r\nalam yang menunjukan jatuhnya titik air dari atmosfer ke permukaan bumi. Curah hujan \r\nadalah jumlah air yang jatuh di tanah datar selama periode tertentu yang diukur dengan \r\nsatuan tinggi (mm) di atas permukaan horizontal. Jumlah curah hujan diukur sebagai \r\nvolume air yang jatuh di atas permukaan bidang datar dalam periode waktu tertentu, yaitu \r\nharian, mingguan, bulanan, atau tahunan. Intensitas curah hujan yang tinggi yang sering \r\ndisebut hujan ekstrem dapat mengakibatkan terjadinya bencana alam.\r\nPrediksi Curah Hujan ini akan sangat berguna bagi petani agar dapat \r\nmerencanakan waktu tanam dan panen dengan lebih efisien berdasarkan prediksi curah \r\nhujan. Ini membantu meningkatkan hasil pertanian dan mengoptimalkan penggunaan \r\nsumber daya. membantu mengoptimalkan penggunaan irigasi. Jika hujan yang cukup \r\ndiharapkan, petani dan pengelola sumber daya air dapat mengurangi penggunaan irigasi \r\ndan menghemat air, membantu pencegahan banjir dengan memahami pola curah hujan \r\nyang diharapkan, dapat diambil langkah-langkah pencegahan untuk mengurangi risiko \r\nbanjir. Misalnya, penataan tata air, konstruksi bendungan, atau peningkatan sistem \r\ndrainase.\r\nPengujian dimulai dari tahap pengumpulan data berupa data curah hujan yang di \r\nambil dari website BMKG oleh BMKG Dramaga Kabupaten Bogor (Dramaga, Empang, \r\nCariu, Leuwiliang, dan Gadog) pada Januari 2020 – Juni 2023 dengan jumlah data 6.375.\r\nPrediksi Curah Hujan Menggunakan Recurrent Neural Network (RNN) Dan Long Short�Term Memory (LSTM) dalam konteks prediksi curah hujan penelitian ini bertujuan untuk \r\nmenyelidiki mana yang lebih efektif dalam memprediksi curah hujan dan didapatkan\r\nhasilnya bahawa metode LSTM dan RNN memiliki akurasi prediksi yang telah dievaluasi \r\nmenggunakan MAPE dan RMSE dengan pembagian data 90%, 80%, 70%, 60% data \r\nTraining dan 10%, 20%, 30%, 40% data Testing metode LSTM lebih baik dari pada RNN \r\ndenagan rata-rata nilai MAPE LSTM 0.29%, 4.02%, 4.05%, 2.21% RMSE LSTM \r\n2.44%, 7.53%, 3.96%, 4.21% dan MAPE RNN 0.31%, 2.33%, 4.22%, 2.23%, nilai \r\nRMSE RNN 2.52%, 7.69%, 3.97%, 4.26% pengujian paling baik metode LSTM ada pada \r\npembagian data Training 60% dan testing 40% dengan rata-rata nilai MAPE LSTM \r\n2.21% dan RMSE LSTM 4.21%."^^ . "2024-06-16" . . . "Universitas Pakuan"^^ . . . "Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Pakuan"^^ . . . . . . . . . . . . . . . . . . "Arie"^^ . "Qur’ania"^^ . "Arie Qur’ania"^^ . . "Feri"^^ . "Irawan"^^ . "Feri Irawan"^^ . . "Dinar"^^ . "Munggaran Akhmad"^^ . "Dinar Munggaran Akhmad"^^ . . "Universitas Pakuan"^^ . . . "Fakultas Matematika dan Ilmu Pengetahuan Alam"^^ . . . "Program Studi Farmasi"^^ . . . . . . . "Prediksi Curah Hujan Menggunakan Recurrent Neural Network \r\n(RNN) Dan Long Short-Term Memory (LSTM). (Text)"^^ . . . "Skripsi_065119023_Feri Irawan.pdf"^^ . . "HTML Summary of #7983 \n\nPrediksi Curah Hujan Menggunakan Recurrent Neural Network \n(RNN) Dan Long Short-Term Memory (LSTM).\n\n" . "text/html" . .