FADLI, MUHAMAD and Bettiza, Martaleli and Radzi Rathomi, Muhamad (2024) PREDIKSI CURAH HUJAN DI KOTA TANJUNGPINANG MENGGUNAKAN METODE SARIMA (SEASONAL AUTOREGRESSIVE INTEGRATED MOVING AVERAGE). S1 thesis, Universitas Maritim Raja Ali Haji.

	Text (Cover) MUHAMAD_FADLI_2001020049_Teknik_Informatika - Cover.pdf - Published Version Download (599kB)
	Text (Abstrak) MUHAMAD_FADLI_2001020049_Teknik_Informatika - Abstrak.pdf - Published Version Download (256kB)
	Text (BAB I) MUHAMAD_FADLI_2001020049_Teknik_Informatika - BAB I.pdf - Published Version Download (268kB)
	Text (Daftar Pustaka) MUHAMAD_FADLI_2001020049_Teknik_Informatika - Daftar Pustaka.pdf - Published Version Download (197kB)
	Text (Full Teks) MUHAMAD_FADLI_2001020049_Teknik_Informatika - Full Teks.pdf - Published Version Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Wilayah Provinsi Kepulauan Riau dikenal sebagai wilayah maritim dengan luas wilayah laut yang lebih besar daripada daratan. Kota Tanjungpinang, sebagai pusat pemerintahan Provinsi Kepulauan Riau, memiliki beberapa daerah rawan bencana, termasuk banjir. Oleh karena itu, prediksi curah hujan menjadi penting untuk mitigasi bencana. Penelitian ini bertujuan untuk mengetahui hasil prediksi serta akurasi model prediksi curah hujan bulanan di Kota Tanjungpinang menggunakan metode SARIMA. Data curah hujan bulanan dari BMKG digunakan dalam penelitian ini. Metode SARIMA (Seasonal Autoregressive Integrated Moving Average) digunakan untuk memodelkan data musiman. Hasil pengujian menunjukkan bahwa akurasi pada data pengujian (testing) masih kurang baik, terlihat dari perbedaan antara data prediksi dan data pelatihan (training). Periode data 4 tahun (2013–2016) menunjukkan akurasi terbaik dengan MAPE 19,11% menggunakan model SARIMA (0, 1, 2)(2, 1, 0)12 Sedangkan penggunaan periode data 4 tahun (2017–2020) kurang optimal dengan MAPE 55,1%, menggunakan model SARIMA (0, 1, 1)(2, 1, 0)12 jika dibandingkan dengan tahun 2013-2016. Periode data 11 tahun (2012–2022) dan 9 tahun (2012–2020) memiliki akurasi prediksi tidak baik dengan MAPE 76,14% dan 64,7%, menggunakan model SARIMA (0,1,1)(0,1,1)12 dan SARIMA (1, 1, 1)(0, 1, 2)12. Secara keseluruhan, periode data yang lebih pendek dengan model yang tepat cenderung memberikan hasil prediksi yang lebih akurat.

Actions (login required)

View Item