PERBANDINGAN IMPUTASI DAN PARAMETER SUPPORT VECTOR REGRESSION UNTUK PERAMALAN CUACA

Arif Mudi Priyatno; Agung Wiratmo; Fahmi Syuhada; Putri Cholidhazia

doi:10.24176/simet.v10i2.3402

PERBANDINGAN IMPUTASI DAN PARAMETER SUPPORT VECTOR REGRESSION UNTUK PERAMALAN CUACA

Arif Mudi Priyatno
Agung Wiratmo
Fahmi Syuhada
Putri Cholidhazia

Abstract

Curah hujan adalah informasi penting di bidang transportasi, pertanian, industri dll. Dengan mengetahui informasi curah hujan, tindakan dapat diambil secara tepat di beberapa bidang tersebut. sehingga tidak ada kerugian karena kesalahan dalam informasi curah hujan. Makalah ini bertujuan untuk menemukan metode yang sesuai dalam peramalan curah hujan yang terkait dengan metode pemrosesan data imputasi dan nilai parameter dalam Support Vector Regression (SVR). Hasil percobaan menunjukkan bahwa metode preprocessing data imputasi terbaik diperoleh untuk digunakan ke dalam SVR berdasarkan nilai Mean Squared Error (MSE) dan Mean Absolute Error (MAE). Berdasarkan hasil MSE, k-nearest neighbor adalah metode terbaik yang digunakan untuk preprocessing data imputasi. Data preprocessing menghasilkan eksperimen pada SVR Polinomial dengan parameter C 1000, toleransi 0,001, epsilon 0,01 dan iterasi tak terbatas. Di sisi lain, hasil MAE menunjukkan bahwa Artificial Neural Network (ANN) adalah metode terbaik dalam imputasi data preprocessing. ANN dengan radial basis function kernel, gamma 0,001, C 1000, toleransi 0,001 dan iterasi tanpa batas. JST diuji pada RBF SVR dengan gamma 0,001, C 1000, toleransi 0,001 dan iterasi tak terbatas.

Keywords

curah hujan; imputasi data; support vector regression; k-nearest neighbor; radial basis function kernel; artificial neural network

Teks Lengkap:

PDF

Referensi

J. Liu, C. Li, J. Tian, F. Yu, and Y. Wang, “Self-correcting multi-model numerical rainfall ensemble forecasting method,” 2017.

J. Diez-Sierra and M. del Jesus, “A rainfall analysis and forecasting tool,” Environ. Model. Softw., vol. 97, no. November 2017, pp. 243–258, Nov. 2017.

J. Diez-Sierra and M. del Jesus, “Subdaily Rainfall Estimation through Daily Rainfall Downscaling Using Random Forests in Spain,” Water, vol. 11, no. 1, p. 125, Jan. 2019.

R. Mohd, M. A. Butt, and M. Zaman Baba, “SALM-NARX: Self Adaptive LM- based NARX model for the prediction of rainfall,” in 2018 2nd International Conference on I-SMAC (IoT in Social, Mobile, Analytics and Cloud) (I-SMAC)I-SMAC (IoT in Social, Mobile, Analytics and Cloud) (I-SMAC), 2018 2nd International Conference on, 2018, pp. 580–585.

C. Dewi and M. Muslikh, “Perbandingan Akurasi Backpropagation Neural Network dan ANFIS Untuk Memprediksi Cuaca,” J. Sci. Model. Comput., vol. 1, no. 1, pp. 7–13, 2013.

N. Ulinnuha and Y. Farida, “Prediksi Cuaca Kota Surabaya Menggunakan Autoregressive Integrated Moving Average (Arima) Box Jenkins dan Kalman Filter,” J. Mat. “MANTIK,” vol. 4, no. 1, pp. 59–67, May 2018.

S. Adhy, A. Prasetio, B. Noranita, and R. Saputra, “Usability Testing of Weather Monitoring on Android Application,” in 2018 2nd International Conference on Informatics and Computational Sciences (ICICoS), 2018, pp. 1–6.

C. Dewi, D. P. Kartikasari, and Y. T. Mursityo, “Prediksi Cuaca Pada Data Time Series Menggunakan Adaptive Neuro Fuzzy Inference System (Anfis),” J. Teknol. Inf. dan Ilmu Komput., vol. 1, no. 1, pp. 18–24, 2014.

R. F. Rahmat, F. R. Nasution, Seniman, M. F. Syahputra, and O. S. Sitompul, “Implementation of bayesian model averaging on the weather data forecasting applications utilizing open weather map,” in IOP Conference Series: Materials Science and Engineering, 2018, vol. 309, pp. 1–10.

BMKG, “Data Online - Pusat Database - BMKG,” dataonline.bmkg.go.id. [Online]. Available: https://dataonline.bmkg.go.id/home. [Accessed: 11-Dec-2018].

Makkulau Makkulau, Susanti Linuwih, Purhadi Purhadi, and Muhammad Mashuri, “Pendeteksian Outlier dan Penentuan Faktor-Faktor yang Mempengaruhi Produksi Gula dan Tetes Tebu dengan Metode Likelihood Displacement Statistic-Lagrange,” J. Tek. Ind., vol. 12, no. 2, pp. 95–100, 2010.

A. Zimek and P. Filzmoser, “There and back again: Outlier detection between statistical reasoning and data mining algorithms,” Wiley Interdiscip. Rev. Data Min. Knowl. Discov., vol. 8, no. 6, p. e1280, Nov. 2018.

I. Ben-Gal, “Outlier Detection,” in Data Mining and Knowledge Discovery Handbook, New York: Springer-Verlag, 1993, pp. 131–146.

W. J. Faithfull, J. J. Rodríguez, and L. I. Kuncheva, “Combining univariate approaches for ensemble change detection in multivariate data,” Inf. Fusion, vol. 45, no. January 2019, pp. 202–214, Jan. 2019.

E. Vilenski, P. Bak, and J. D. Rosenblatt, “Multivariate anomaly detection for ensuring data quality of dendrometer sensor networks,” Comput. Electron. Agric., vol. 162, no. April, pp. 412–421, Jul. 2019.

DOI: https://doi.org/10.24176/simet.v10i2.3402