Jau'hari, Julian and Nikentari, Nerfita and Efranda, Nolan (2026) OPTIMASI SELF ORGANIZING MAP DENGAN PARTICLE SWARM OPTIMIZATION DAN GRADIENT DESCENT UNTUK CLUSTERING DATA CURAH HUJAN. S1 thesis, Universitas Maritim Raja Ali Haji.

	Text (Cover) Julian_Jau'hari_2101020004_Teknik_Informatika - Cover.pdf - Published Version Download (842kB)
	Text (Abstrak) Julian_Jau'hari_2101020004_Teknik_Informatika - Abstrak.pdf - Published Version Download (173kB)
	Text (BAB I) Julian_Jau'hari_2101020004_Teknik_Informatika - BAB I.pdf - Published Version Download (266kB)
	Text (Daftar Pustaka) Julian_Jau'hari_2101020004_Teknik_Informatika - Daftar Pustaka.pdf - Published Version Download (186kB)
	Text (Full Teks) Julian_Jau'hari_2101020004_Teknik_Informatika - Full Teks.pdf - Published Version Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Curah hujan merupakan salah satu parameter meteorologi yang memiliki peranan penting dalam berbagai sektor, seperti pertanian, mitigasi bencana, dan perencanaan wilayah. Variabilitas data curah hujan yang tinggi menyebabkan proses pengelompokan data menjadi tantangan tersendiri. Penelitian ini bertujuan untuk meningkatkan performa klasterisasi data curah hujan dengan mengoptimalkan algoritma Self-Organizing Map (SOM) menggunakan Particle Swarm Optimization (PSO) dan Gradient Descent (GD). Data yang digunakan berasal dari Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) Kabupaten Lingga yang terdiri dari delapan variabel meteorologi, yaitu kelembapan rata-rata, temperatur minimum, temperatur maksimum, temperatur rata-rata, kecepatan angin rata-rata, arah angin terbanyak, lama penyinaran matahari, dan curah hujan. Tahapan penelitian meliputi pengumpulan data, normalisasi data, proses klasterisasi menggunakan SOM, serta optimasi parameter learning rate dan radius tetangga menggunakan PSO dan GD. Evaluasi kinerja klasterisasi dilakukan menggunakan metrik Accuracy, F1-Score, dan Quantization Error. Hasil penelitian menunjukkan bahwa metode SOM yang dioptimalkan dengan PSO menghasilkan performa klasterisasi terbaik dengan nilai Accuracy sebesar 89,84%, F1-Score sebesar 87,90%, serta Quantization Error terendah sebesar 0,1215. Dibandingkan dengan metode SOM-GD dan SOM tanpa optimasi, pendekatan SOM-PSO terbukti lebih efektif dalam menghasilkan klaster yang representatif terhadap distribusi data curah hujan.

Actions (login required)

View Item