ESTIMASI CURAH HUJAN BULANAN MENGGUNAKAN MULTI LAYER PERCEPTRON DI KOTA TANGERANG SELATAN
MONTHLY RAINFALL ESTIMATION USING MULTI-LAYER PERCEPTRON IN SOUTH TANGERANG CITY
Keywords:
Estimasi, Curah Hujan, Multi-Layer Perceptron, CHIRPS, SpasialAbstract
Curah hujan merupakan salah satu parameter meteorologi dan klimatologi yang informasinya wajib disebarluaskan kepada masyarakat dan stakeholder terkait. Informasi curah hujan memiliki peranan penting dalam berbagai sektor kehidupan masyarakat. Dalam bidang pertanian, jumlah curah hujan memiliki peranan penting dalam penentuan musim tanam, sehingga hal ini dapat mencegah potensi gagal panen. Dalam bidang kebencanaan, Kota Tangerang Selatan selama periode 2016-2021 mengalami kejadian banjir, tanah longsor, dan kekeringan yang sangat erat kaitannya dengan informasi curah hujan karena kejadian bencana tersebut salah satunya merupakan dampak dari banyak atau sedikitnya curah hujan pada suatu wilayah. Oleh karena itu, pentingnya informasi prediksi curah hujan dapat meningkatkan layanan informasi meteorologi dan klimatologi di berbagai sektor. Namun, saat ini masih sulitnya masyarakat maupun stakeholder untuk mendapatkan prediksi curah hujan bulanan dengan akurasi tinggi dalam jangka panjang, menjadi latar belakang dilakukannya penelitian ini. Pada penelitian ini dirancang estimasi curah hujan bulanan menggunakan metode Multi Layer Perceptron (MLP). Data yang digunakan merupakan data hujan bulanan Climate Hazards Group InfraRed Precipitations (CHIRPS) selama 42 tahun (periode tahun 1981 – 2022) dengan batas koordinat sesuai lokasi penelitian yaitu Kota Tangerang Selatan, yang berada di antara 106,625͒ – 106,825° BT dan 6,4° – 6,2° LS sebanyak 16 grid dengan resolusi tiap grid 0,05°. Estimasi curah hujan bulanan menggunakan metode MLP menghasilkan nilai rata-rata RMSE sebesar 90,19 dan MAPE sebesar 40,55.
References
Daftar Pustaka
Herlina, N., & Prasetyorini, A. (2020). Pengaruh Perubahan Iklim pada Musim Tanam dan Produktivitas Jagung (Zea mays L.) di Kabupaten Malang (Effect of Climate Change on Planting Season and Productivity of Maize (Zea mays L.) in Malang Regency). Jurnal Ilmu Pertanian Indonesia (JIPI), Januari, 25(1), 118–128. https://doi.org/10.18343/jipi.25.1.118
Sainstek, J., & Pekanbaru, S. (2021). SAINSTEK (e-Journal) Analisis Kondisi Atmosfer Saat Banjir dan Tanah Longsor (Studi Kasus : Nganjuk, 14 Februari 2021) INFORMASI ARTIKEL ABSTRACT.
Yulizar, D., Aofany, D., Soekirno, S., Ananda, N., Prabowo, M. A., & Adi, S. P. (2024). Visualization of Rainfall Classification using Rain Gauge based on Website. 2024 IEEE International Conference on Artificial Intelligence and Mechatronics Systems (AIMS), 1–5. https://doi.org/10.1109/AIMS61812.2024.10512600
Gaol, G. M. L., Syafrullah, M., & Supardi, S. (2024). Comparison of Monthly Rainfall Prediction using Long Short Term Memory and Multi Layer Perceptron Methods in South Tangerang City. Jurnal Sisfokom (Sistem Informasi Dan Komputer), 13(2), 293–297. https://doi.org/10.32736/sisfokom.v13i2.2149
Funk, C.C., Peterson, P.J., Landsfeld, M.F., Pedreros, D.H., Verdin, J.P., Rowland, J.D., Romero, B.E., Husak, G.J., Michaelsen, J.C. and Verdin, A.P., 2014. A quasi-global precipitation time series for drought monitoring. US Geological Survey data series, 832(4), pp.1-12.
Huang, X., Gao, L., Crosbie, R. S., Zhang, N., Fu, G., & Doble, R. (2019). Groundwater recharge prediction using linear regression, multi-layer perception network, and deep learning. Water (Switzerland), 11(9). https://doi.org/10.3390/w11091879.
Wibawa AP, Utama AB, Elmunsyah H, Pujianto U, Dwiyanto FA, Hernandez L. Time-series analysis with smoothed Convolutional Neural Network. Journal of big Data. 2022 Apr 26;9(1):44.
Bilgili M, Sahin B. Comparative analysis of regression and artificial neural network models for wind speed prediction. Meteorology and atmospheric physics. 2010 Nov;109:61-72
Lin Z, Feng J, Lu Z, Li Y, Jin D. Deepstn+: Context-aware spatial-temporal neural network for crowd flow prediction in metropolis. InProceedings of the AAAI conference on artificial intelligence 2019 Jul 17 (Vol. 33, No. 01, pp. 1020-1027).
Szandala, Tomasz. (2021). Review and Comparison of Commonly Used Activation Functions for Deep Neural Networks. In Bio-inspired Neurocomputing, 203-224. Springer, Singapore
Sahu RK, Müller J, Park J, Varadharajan C, Arora B, Faybishenko B, Agarwal D. Impact of input feature selection on groundwater level prediction from a multi-layer perceptron neural network. Frontiers in Water. 2020 Nov 19;2:573034
Prasetyo B, Pusparini N. Pemanfaatan SATAID Untuk Analisa Atmosfer di Wilayah Perairan. Jurnal Fisika dan Aplikasinya. 2018 Jun 1;14(2):37-44
Kafara Z, Rumlawang FY, Sinay LJ. Peramalan Curah Hujan Dengan Pendekatan Seasonal Autoregressive Integrated Moving Average (Sarima). Barekeng: Jurnal Ilmu Matematika dan Terapan. 2017 Mar 1;11(1):63-74
Fiebrich, C. A., Morgan, C. R., McCombs, A. G., Hall, P. K., & McPherson, R. A. (2010). Quality Assurance Procedures for Mesoscale Meteorological Data. Journal of Atmospheric and Oceanic Technology, 27(10), 1565–1582. https://doi.org/10.1175/2010JTECHA1433.1
Evi Dewi Sri Mulyani, Indah Septianingrum, Nisa Nurjanah, Reka Rahmawati, Syifa Nurhasani, Kiky Milky R. K., 2019. Prediksi Curah Hujan Di Kabupaten Majalengka Dengan Menggunakan Algoritma Regresi., Volume 8, Nomor 1, Jurnal Sistem Informasi dan Teknologi Informasi (JUSITI).https://doi.org/10.36774/jusiti.v8i1.602.
