IMPLEMENTASI ALGORITMA UNTUK PREDIKSI CURAH HUJAN PADA SISTEM PENDETEKSIAN DINI BENCANA BANJIR
ALGORITHM IMPLEMENTATION OF RAIN PRECIPITATION FORECASTING IN EARLYFLOODDISASTER DETECTIONSYSTEM
Fithriah Musadat1, Zahir Zainuddin2, Merna Baharuddin2 1
Teknik Informatika Program Pasca Sarjana Universitas Hasanuddin 2 Jurusan Teknik Elektro Fakultas Teknik Universitas Hasanuddin
Alamat Korespondensi: Fithriah Musadat Teknik Informatika Program Pasca Sarjana Universitas Hasanuddin Makassar.Sulawesi Selatan. HP: 0856 9696 48 13 Email:
[email protected]
ABSTRAK Salah satu cara untuk meminimalisasi dampak yang dapat ditimbulkan oleh banjir adalah dengan sistem pendeteksian dini bencana banjir. Tujuan dari penelitian ini yaitu membangun sistem prediksi curah hujan untuk mendukung sistem pendeteksian dini bencana banjir. Data yang digunakan adalah data curah hujan harian Stasiun Meterologi dan Paotere Makassar periode 1 Januari 2002 hingga 31 Desember 2011, yang dibagi ke dalam 3 kelompok (in-sample I, in-sample II, out-sample). In-sample I digunakan sebagai data pelatihan untuk model tunggal ARIMA, ANFIS, dan Wavelet. Setelah diuji diperoleh MAE-nya secara berturut-turut yakni 10,55; 7,81; dan 6,35 yang berarti ANFIS dan Wavelet memiliki keakuratan yang lebih baik dari ARIMA. Selanjutnya hasil peramalan ANFIS dan Wavelet dijadikan input pada ANFIS Optimal. In-sample II digunakan sebagai data pelatihan untuk model ANFIS, Wavelet, dan ANFIS Optimal. MAE-nya masing-masing adalah 11,06; 8,36; dan 8,82 sedangkan nilai error maksimalnya adalah 300,17; 233,18; dan 178,50. Dari hasil penelitian tersebut dapat dilihat bahwa ANFIS Optimal dapat menurunkan nilai error secara signifikan dibandingkan metode lainnya sehingga dapat digunakan sebagai pendukung pengambilan keputusan pada sistem pendeteksian dini bencana banjir. Kata Kunci – ARIMA, ANFIS, Wavelet, Curah Hujan, Peramalan.
ABSTRACT One way to minimaize the impact of flood is to build an early detection system of flood disaster. The main goal of this study is to build the precipitation forecasting to support early detection system of flood disaster. Data used are daily precipitation data from Paotere Meteorological Station in Makassar period January 1st, 2002 until December 31th, 2011 which devided into 3 groups (in-sample I, in-sample II, out-sample). In-sample I used as training data for a single ARIMA, ANFIS, and Wavelet. After tested we obtain the value of MAE respectively were 10.55; 7.81; and 6.35 its mean that ANFIS and Wavelet had a better accuracy compared with ARIMA. Furthermore ANFIS and Wavelet forecasting result was used as an input in optimal ANFIS. In-sample II used as training data for ANFIS, Wavelet, and Optimal ANFIS. It’s MAE were 11.06; 8.36; and 8.82 while maximum errors were 300.17; 233.18; dan 178.50. From the result of this study we can see that the Optimal ANFIS can significantly decrease the value of error compared to another method so we can use it as a support decision making in an early detection system of flood disaster. Keywords – ARIMA, ANFIS, Wavelet, Precipitation, Forecasting.
PENDAHULUAN Indonesia merupakan Negara yang berada pada zona rawan bencana.Bencana sering menimbulkan banyak korban jiwa dan harta benda.Bencana bukanlah hal yang dapat ditolak keberadaannya, tetapi manusia harusnya mampu melakukan pendugaan atas kemungkinan terjadinya
bencana
sehingga
dapat
meminimalisasi
dampak
yang
dapat
ditimbulkannya.Suprapto (2011) menyatakan bahwa banjir merupakan bencana paling sering terjadi di Indonesia.Selama 2002-2010 telah terjadi 3.479 kali kejadian banjir di Indonesia. Salah satu upaya untuk menghindari akibat yang ditimbulkan bencana banjir dan longsor ini adalah dengan membangun sistem peringatan dini bencana banjir.Menurut Action contre la Faim – Indonesia Mission (2010), Sistem Peringatan Dini merupakan sebuah tatanan penyampaian informasi hasil prediksi terhadap sebuah ancaman kepada masyarakat sebelum terjadinya sebuah peristiwa yang dapat menimbulkan risiko yang bertujuan untuk memberikan peringatan agar penerima informasi dapat segera siap siaga dan bertindak sesuai kondisi, situasi dan waktu yang tepat. Prinsip utama dalam Sistem Pendeteksian Dini adalah memberikan informasi cepat, akurat, tepat sasaran, mudah diterima, mudah dipahami, terpercaya dan berkelanjutan. Zainuddin (2009)
telah mengembangkan prototipe sistem
jaringan
sensor
hidremeteorologi nirkabel dan model hidrodinamik berbasis GIS untuk peringatan dini bencana banjir. Sistem ini memanfaatkan teknologi akusisi data sistem sensor yang diintegrasikan dengan sistem komunikasi wireless serta suatu perangkat lunak pengolahan informasi berbentuk decision support system (DSS). Dengan sistem ini, curah hujan di daerah hulu dapat dikirim ke pusat monitoring yang memiliki sistem pengolahan data untuk mengambil keputusan apakah suatu bencana banjir akan terjadi atau tidak. Pada tahun 2012, Zainuddin dkk melakukan pengembangan penelitian ini dengan judul Integrasi Sistem Informasi Jaringan Sensor Hidrologi Nirkabel dan Model Hidrodinamik Berbasis GIS untuk peringatan Dini Bencana Banjir. Dalam penelitian ini dijelaskan bahwa sistem pendeteksi dini bencana banjir merupakan sebuah sistem kompleks yang terdiri dari berbagai perangkat, baik perangkat keras maupun perangkat lunak seperti: sistem instrumentasi cuaca nirkabel; sistem pengukuran aliran air nir kabel; modul akuisisi data berkomunikasi wireless yaitu akuisisi dan komunikasi data berbasis WIFI, ZIGBEE, selular (mobile), komunikasi UHF; sistem alarm yang bersifat multi-media, web, mobile seluler, alarm komunitas nirkabel; integrasi data dengan konsep sistem akuisisi data berbasis cloud sensor; model estimasi curah hujan dan level air; pemodelan hidrodinamik berupa simulator aliran air permukaan. Model
sistem pengambilan keputusan deteksi dini bencana banjir; dan sistem pengukuran kinerja layanan komunikasi mobile.Pada penelitian ini dibatasi untuk model estimasi curah hujan. Penelitian mengenai peramalan curah hujan telah banyak dilakukan sebelumnya, baik secara kualitatif maupun kuantitatif.BMKG (Badan Meterologi, Klimatologi, dan Geofisika) sebagai lembaga yang melakukan pengukuran dan peramalan iklim di Indonesia, menggunakan aplikasi HyBMG versi 2.0 untuk melakukan peramalan iklim.Metode yang digunakan HyBMG adalah ANFIS (Adaptive Neuro-Fuzzy Inference Systems), ARIMA (Autoregressive Integrated Moving Average), Wavelet, dan Tisean (Time Series Analysis).Pada tahun 2009, Sonjaya dkk.melakukan pengujian aplikasi yang digunakan oleh BMKG, HyBMG versi 2.0. Hasil penelitian itu menyebutkan bahwa HyBMG memberi hasil verifikasi prakiraan yang berbeda, baik untuk prediksi curah hujan dasarian maupun bulanan. Penelitian lain juga dilakukan oleh Otok dkk (2009) mempublikasikan tulisannya “Development of Rainfall Forecasting Model in Indonesia by using ASTAR, Transfer Function, and ARIMA Methods” dalam European Journal of Scientific Research. Mereka membandingkan kinerja tiga metode ASTAR, Transfer Function, dan ARIMA dalam meramal curah hujan di tiga daerah yang berbeda di Jawa Timur yaitu Ngale, Karangjati, dan Mantingan. Hasil penelitian ini menyebutkan bahwa multi-input transfer function kinerjanya baik untuk daerah Ngale dan Karangjati, sedangkan di daerah Mantingan, metode ASTAR menunjukkan hasil yang lebih baik. Mereka kemudian menyimpulkan bahwa model peramalan curah hujan berbeda-beda di setiap daerah. Oleh karena itu, pada penelitian ini akan dikembangkan sebuah metode yang akan mengkombinasikan tiga dari empat metode yang telah digunakan oleh BMKG, yakni ANFIS, ARIMA, dan Wavelet guna meningkatkan akurasi dalam meramalkan curah hujan. BAHAN DAN METODE PENELITIAN Pendekatan dan Jenis Penelitian Penelitian ini dilakukan dengan pendekatan kualitatif yang menggunakan sampel data yang kemudian dianalisis dengan metode yang telah ditetapkan.Sedangkan jenis penelitiannya adalah studi kasus tentang curah hujan pada Kota Makassar. Variabel Penelitian dan Definisi Operasional Penelitian ini menggunakan satu definisi variabel operasional yaitu nilai curah hujan harian.
Populasi dan Sampel Populasi objek penelitian ini adalah semua data curah hujan, sedangkan yang menjadi sampelnya adalah data curah hujan harian yang tercatat di Balai Besar Klimatologi dan Geofisika Wilayah IV Makassar yang bebrasal dari Stasiun Meterologi Paotere Makassar periode 1 januari 2002 hingga 31 desember 2011. Jenis dan Sumber Data Data yang digunakan dalam penelitian ini adalah data sekunder yang diambil dari Badan Meterologi Klimatologi dan Geofisika, Balai Besar Meterologi Klimatologi dan Geofisika Wilayah IV Makassar yang diamati di Stasiun Meteorologi Paotere Makassar pada koordinat 05°06’37.5” LS 119°25’11.5”BT dengan elevasi 2 meter. Metode Pengumpulan Data Proses pengumpulan data dalam penelitian ini adalah non-participant observer, dimana peneliti hanya mengamati data yang sudah tersedia tanpa ikut serta dalam proses pengumpulan data di lapangan. Metode Analisis Model ARIMA Model ARIMA dibentuk oleh model-model lain, yaitu model autoregressive (AR), model moving average (MA), model AR dan MA (ARMA), hingga model AR dan MA terintegrasi (ARIMA). Secara umum model ARIMA didefinisikan sebagai (Firdaus, 2005): ARIMA (p, d, q) ........................................................... (1) Dengan p menunjukkan orde AR, d menunjukkan orde differencing (pembedaan), dan q menunjukkan orde MA. Model Autoregressive (AR) Suatu model regresi dikatakan model regresi yang bersifat autoregressive jika mengandung satu atau lebih lagged dependent variables sebagai variabel bebas. Bentuk umumnya adalah: =
+
+
+⋯+
+
................................... (2)
dimana = Observasi deret stasioner saat ini ,
,..
,Φ ,Φ ,…,Φ
= observasi sebelumnya = parameter-parameter (konstanta dan variabel) = residual peramalan acak untuk periode saat ini yang diharapkan nilainya sama dengan 0
Jumlah observasi masa lalu yang digunakan dalam AR dikenal dengan orde p. Model ini harus memenuhi kondisi stasioneritas (stationerity condition), yaitu jumlah semua koefisien Φ dalam model AR harus kurang dari 1. Model AR orde p ditulis dalam bentuk: (1 −
+
+ ⋯+
)=
+
..................................... (3)
Model Moving Average (MA) adalah fungsi linear dari residual-residual saat ini dan sebelumnya. Model MA merupakan model pembobotan dari residual-residual peramalan terkini. Persamaannya adalah: =
+
−
−
−⋯−
.................................... (4)
dimana = Observasi deret stasioner saat ini = residual peramalan yang white noise ,
,…
= residual peramalan periode sebelumnya
,Θ ,Θ ,…
= konstanta dan koefisien MA
Model AR dan MA (ARMA) Pada model ini
adalah kombinasi model AR dan MA. Bentuk persamaannya
ditulis: =
+
+
+⋯+
−
−
− ⋯ ....................... (5)
dimana = Observasi deret stasioner saat ini ,
,..
,
,…
,Φ ,Φ ,…,Θ ,Θ ,…
= observasi sebelumnya = parameter-parameter (konstanta dan variabel) = residual peramalan acak untuk periode saat ini
Sama seperti model sebelumnya, p dan q menandakan orde dari model. Metode ANFIS Adaptive Neuro Fuzzy Inferences System (ANFIS) adalah arsitektur yang secara fungsional sama dengan fuzzy rule base model Sugeno. Arsitektur ANFIS juga sama dengan jaringan syaraf dengan fungsi radial dengan sedikit batasan tertentu. Bisa dikatakan bahwa ANFIS adalah suatu metode yang mana dalam melakukan penyetelan aturan digunakan yang terjadi pun akan ikut berubah. (Kusumadewi dkk., 2010) Sebuah Fuzzy System tipe Sugeno mempunyai aturan dasar (Suwarman dkk):
Bila x adalah A1 dan y adalah B1, maka f1= p1x + q1y + r1 ................................... (6)
Bila x adalah A2 dan y adalah B2, maka f2= p2x + q2y + r2 ................................... (7) Maka fungsi keanggotaan fuzzy adalah A1 ,B2, I = 1,2,be μA1, μB1 Dalam penghitungan, pilih hasil untuk T-norm: Untuk menghitung aturan digunakan persamaan:
w1 = μ A1 (x) μB1(y), i=1,2
................................................... (8)
Untuk menghitung konsekuensi dan implikasi yang terjadi digunakan persamaan:
f(x,y)=
( , ) ( , ) ( , )
( , ) ( , ) ( , )
............................................... (9)
atau
f=
............................................................ (10)
Dapat juga dipisahkan dengan fase berdasarkan pendefinisian pertama:
=
............................................................. (11)
Maka f dapat ditulis sebagai :
f=
+
......................................................... (12)
Metode Wavelet Wavelet adalah suatu konsep yang relatif baru yang dikembangkan pada awal tahun 1980-an oleh Jean Morlet dan Alex Grossman. Tahap pertama analisis Wavelet adalah menentukan tipe Wavelet, yang disebut dengan motherWavelet atau analyzing Wavelet, yang akan digunakan. Contoh keluarga Wavelet adalah Wavelet Daubechies. Setelah pemilihan motherWavelet, tahap selanjutnya membentuk basis Wavelet yang akan digunakan untuk mentransformasikan sinyal. Pada dasarnya transformasi Wavelet dapat dibedakan menjadi dua tipe berdasarkan nilai parameter translasi dan dilasinya, yaitu transformasi Wavelet kontinu (continue Wavelet transform) dan diskrit (DiscreteWavelet Transform). Pada penelitian ini digunakan transformasi Wavelet diskrit. Pada penelitian ini digunakan Wavelet Neural Network (WNN), yang merupakan perpaduan antara Wavelet dan Neural-Network.Proses Wavelet digunakan untuk mengidentifikasi data sedangkan proses Neural-Network untukmelatih data.Transformasi Wavelet yang digunakan adalah DWT.
HASIL Peramalan tahap I Model pertama yang digunakan dalam peramalan tahap pertama adalah ARIMA.Pada penelitian ini, data stasioner pada first differencing. Model ARIMA yang dipilih adalah ARIMA(7,1,6), yang secara matematis dapat dilihat pada Persamaan 13.
− 0,617(
= −0,015 + 0,670(
) + 0,062(
−
) + 0,078(
−
)
−
) + 0,334(
−
) + 0,614(
−
−
)−
) − 0,069(
−
....................................................................... (13)
Setting ANFIS yang digunakan adalah error toleransi=10-4 , iterasi makimum=5 x 103, fungsi keangotaan=gaussmf, dan stepsize=10-2. Wavelet yang digunakan adalah Wavelet Neural Network (WNN).Jenis transformasi wavelet yang digunakan pada penelitian ini adalah Discrete Wavelet Transform (DWT).Keseluruhan hasil peramalan pada tahap I ini dapat dilihat pada Gambar 1, sedangkan ringkasan hasil peramalannya dapat dilihat pada Tabel 1.
Peramalan tahap II Pada peramalan tahap I, dua metode yang tingkat akurasinya terbaik adalah ANFIS dan Wavelet. Hasil peramalan tersebut akan menjadi input pada ANFIS Optimal. Parameter dan asumsiasumsi yang digunakan untuk ANFIS Optimal sama dengan yang digunakan pada ANFIS, hanya data inputannya yang berbeda. Ringkasan hasil peramalannya dapat dilihat pada Tabel 1.
PEMBAHASAN Penelitian ini menunjukkan bahwa nilai inputan yang sesuai untuk metode ANFIS pada data curah hujan harian di Makassar adalah data sehari sebelumnya ( sebelumnya(
) dan data tiga hari
). Hal ini didasarkan pada pengujian korelasi Pearson, dimana nilai korelasi pada
data sehari sebelumnya (
) dan data tiga hari sebelumnya(
) lebih tinggi terhadap curah hujan
( ) dibandingkan dengan nilai korelasi pada data dua hari sebelumnya ( sebelumnya ( artinya data
) dan data 366 hari sebelumnya ( dan
berbanding lurus terhadap
), data 365 hari
). Dengan nilai korelasi positif yang
.
Dalam meramal dengan WNN terdapat dua proses penting yaitu proses wavelet untuk pengidentifikasian data dan neural network untuk training data. Dalam proses wavelet dihasilkan nilai aproksimasi dan detil. Misalnya untuk proses training pada bulan januari 2002 – 2005. Nilai aproksimasi dan detil yang diperoleh diketahui bahwa komponen frekuensi rendah dan skala tinggi signal bergerak dari angka -72,125 hingga 145,664, sedangkan komponen frekuensi tinggi skala rendah signal bergerak dari angka -72,125 hingga 115,966. Nilai aproksimasi dan detil ini kemudian menjadi input pada proses selanjutnya, yakni proses neural network. Pada proses training dengan neural network, struktur neural network yang digunakan pada penelitian ini terdiri dari tiga layer. Ketika melakukan peramalan dengan metode Wavelet pada bulan Agustus, dimana program untuk melakukan training data tidak dapat dieksekusi.Hal ini terjadi karena data inputan yang semuanya adalah 0, yang secara fisis berarti pada tahun 2002-2005 tidak tejadi hujan.Untuk mengatasi masalah diatas, jika data inputan semua adalah 0, maka untuk prediksinya diasumsikan 0 juga. Selain kasus tersebut penyimpangan juga terjadi pada kasus lain, dimana terdapat prediksi curah hujan yang
nilainya < 0, sehingga untuk penyelesaian tahap akhir perlu ditambahkan asumsi untuk nilai prediksi yang < 0, maka akan dianggap 0. Berdasarkan hasil yang diperoleh pada peramalan tahap I, sebenarnya ketiga metode baik ARIMA, ANFIS, dan Wavelet telah dapat mengenali pola data dengan baik, namun ketepatan dalam memprediksi secara numerik masih kurang baik. Hal ini dapat dilihat dari tingkat keakuratan dalam meramalkan curah hujan secara tepat, misalnya untuk keakuratan < 5 mm, dimana ARIMA hanya mampu memprediksi 61,37% secara akurat, ANFIS 69,3%, dan Wavelet 67,95%.Dilihat dari nilai errornya, model ARIMA (7,1,6) tepat dalam meramal untuk bulan-bulan kering, tetapi tidak bagus dalam meramal di bulan basah. Sedangkan metode ANFIS tidak dapat secara tepat meramal bulanbulan kering.Walaupun demikian nilai errornya tidak signifikan. Tetapi untuk bulan basah, ANFIS lebih baik dari model ARIMA. Sedangkan metode Wavelet paling baik dalam meramalkan curah hujan pada bulan basah dibandingkan ARIMA dan ANFIS, tetapi memiliki performa yang paling buruk untuk bulan kering. Dengan memperhatikan nilai MAE, MSE, MAPE, dan tingkat keakuratan secara keseluruhan dari peramalan tahap I ini diperoleh bahwa metode yang memiliki tingkat keakuratan terbaik dari tiga metode tersebut adalah Wavelet dan ANFIS, sehingga pada peramalan tahap II input yang digunakan pada ANFIS Optimal adalah hasil peramalan dengan menggunakan ANFIS dan Wavelet. Pada peramalan tahap II menunjukkan bahwa hasil peramalan dengan Wavelet memberikan rata-rata absolute error yang paling kecil, 8,36. Meskipun demikian nilainya tidak terlalu jauh berbeda dengan hasil ANFIS optimal. Namun jika dilihat dari maksimal nilai error yang dihasilkan, metode Wavelet memberikan nilai error yang besar mencapai angka 300,17 sehingga riskan bila dijadikan bahan pertimbangan dalam perancangan system pendeteksi dini bencana banjir. ANFIS optimal juga memberikan nilai error yang besar, namun nilainya berbeda jauh dengan ANFIS dan Wavelet. Salah satu prinsip utama yang harus dimiliki oleh sistem pendeteksian dini adalah keakuratan.Hal ini juga berlaku pada sistem pendeteksian dini bencana banjir. Meskipun besarnya curah hujan bukan satu-satunya faktor dalam menentukan akan terjadinya banjir atau tidak, karena adanya faktor lain seperti daya serap tanah, topografi daerah, aliran air pada bendungan atau sungai dan sebagainya, namun andil dari curah hujan terhadap banjir sangat besar. Kesalahan dalam memprediksi curah hujan dapat memberikan dampak yang signifikan pada perangkat pengambil keputusan pada sistem pendeteksian dini bencana banjir.
KESIMPULAN DAN SARAN Berdasarkan hasil penelitian yang diperoleh maka dapat diambil beberapa kesimpulan.ANFIS Optimal dapat menurunkan nilai error secara signifikan jika dibandingkan dengan metode ANFIS dan Wavelet tunggal. Dimana error maksimal dari ANFIS adalah 233,18; wavelet yaitu 300,17; dan anfis optimal yaitu 178,50. Tetapi jika dilihat dari rata-rata absolute errornya, metode wavelet sedikit lebih baik dari ANFIS Optimal, dimana MAE dari wavelet adalah 8,36 sedangkan ANFIS Optimal 8,82
namun perbedaan nilainya tidak signifikan. Dari hasil tersebut maka ANFIS optimal dapat digunakan sebagai pendukung pengambilan keputusan pada sistem pendeteksian dini bencana banjir. Untuk pengembangan lebih lanjut dapat dilakukan dengan menambahkan variable lain seperti kelembaban udara, suhu, intensitas cahaya, dsb.Dapat pula dilakukan penelitian untuk rentang waktu yang lebih pendek misalnya per jam.Pengembangannya dapat pulah diarahkan dengan menggunakan metode peramalan yang berbeda misalnya AFRIMA, SARIMA, dll.
DAFTAR PUSTAKA Action Contre la Faim – Indonesia Mission. (2010). Early Warning System, Sistem Peringatan Dini Banjir: Dokumentasi Pengembangan EWS bersama Masyarakat. Firdaus, M. (2006).Seri Metode Kuantitatif: Analisis Deret Waktu Satu Ragam (ARIMA – SARIMA – ARCH GARCH). IPB Press: Bogor. Kusumadewi, Sri dan Sri Hartati. (2010). NEURO-FUZZY: Integrasi Sistem Fuzzy & Jaringan Syaraf. Graha Ilmu: Yogyakarta. Nainggolan, Jannus M. (Tanpa Tahun). Trnsformasi Wavelet Diskrit (Discrete Wavelet Transforms): Teori dan Penerapan pada Sistem Daya. Universitas Lampung. Otok, B.W., dan Suhartono. (2009). Development of Rainfall Forecasting Model in Indonesia by using ASTAR, Transfer Function, and ARIMA Methods.Euro Journal.Vol.38 No.3 (2009), pp.386-395. Sonjaya, Irman, dkk. (2009). Uji Aplikasi HyBMG Versi 2.0 untuk Prakiraan Curah Hujan Pola Monsunal Ekuatorial dan Lokal.Buletin Meteorologi dan Geofisika Vol. 5 No. 3 September 2009 Hal.323-339. Suprapto.(2011). Statistik Pemodelan Bencana Banjir Indonesia (Kejadian 2002-2010), Jurnal Penanggulangan Bencana Vol. 2 No. 2 Oktober 2011 Hal.34-43. Zainuddin, Zahir. (2009). Pengembangan Prototipe Sistem Jaringan Sensor Hidrometeorologi Nirkabel dan Model Hidrodynamic Berbasis GIS untuk Peringatan Dini Bencana Banjir: Studi Kasus Kabupaten Sinjai. Laporan Penelitian Strategi Nasional. Zainuddin, Zahir, dkk. (2012). Integrasi Sistem Informasi Jaringan Sensor Hidrologi Nirkabel dan Model Hidrodinamik Berbasis GIS untuk Peringatan Dini Bencana Banjir.Ristek.
Gambar 1.Hasil Peramalan Tahap I
Tabel 1. Ringkasan Hasil Peramalan Hasil Peramalan Tahap I MAE MSE MAPE Keakuratan < 1 mm Keakuratan < 5 mm Keakuratan >10 mm Keakuratan >50 mm
ARIMA 10,55 605,14 1526,49 47,67% 61,37% 27,4% 4,38%
Hasil Peramalan Tahap II WAVELET Max Error 300,17 Min Error 0,00 MAE 8,36 MSE 545,31
ANFIS 7,81 361,43 131,99 3,6% 69,3% 20,5% 1,6%
WNN 6,35 266,19 33,78 55,34% 67,95% 20,27% 1,92 %
ANFIS 233,18 0,07 11,06 420,61
ANFIS OPT 178,50 0,00 8,82 366,05
