ABSTRAK Annisa Aulya Rasyada
PUBLIC Irwan Sofiyan
Annisa Aulya Rasyada.pdf
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
COVER Annisa Aulya Rasyada
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
BAB 1 Annisa Aulya Rasyada
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
BAB 2 Annisa Aulya Rasyada
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
BAB 3 Annisa Aulya Rasyada
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
BAB 4 Annisa Aulya Rasyada
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
BAB 5 Annisa Aulya Rasyada
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
PUSTAKA Annisa Aulya Rasyada
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Fenomena cuaca ekstrem seperti hujan es yang terjadi dalam waktu singkat membutuhkan analisis data yang cepat dengan periode data singkat. Menyikapi hal tersebut maka diperlukan kemampuan dan metode yang efektif dalam prakiraan cuaca, khususnya prakiraan cuaca jangka pendek. Melalui sebuah metode terbarukan dalam melakukan prediksi jangka waktu pendek diantaranya dengan memanfaatkan machine learning. Metode Extreme Learning Machine (ELM) merupakan bagian dari machine learning memiliki tingkat pembelajaran yang baik dan cepat dengan beragam data dibandingkan dengan metode konvensional lainnya.
Melalui penelitian ini, dilakukan pengujian terhadap ELM melalui proses pembelajaran dengan sampling resolusi per 10 menit. Proses pengolahan data Himawari-8 dengan parameter Cloud Top Temperature (CTT) dan Rainfall Rate (RFR) pada bulan Juni 2021 saat kejadian hujan es di wilayah Majalaya Jawa Barat dilakukan meenggunakan python. Proses prediksi dilakukan dengan menggunakan data prediktan 1 grid, 5 grid dan 9 grid di sekitar titik AWS yang digunakan sebagai pusat domain prediksi hujan es yang terjadi pada saat itu.
Data yang telah dibagi menjadi 2 bagian yaitu data training dan data testing memperoleh hasil uji pada data testing, yaitu rata-rata nilai akurasi sebesar 50% dengan nilai RMSE minimum 0,1726 pada kecepatan training 12,605 detik terhadap wilayah grid ke-2,4,5,6,8 dengan menggunakan lag time 10 menit. Sedangkan prediksi yang dilakukan terhadap kasus kejadian hujan es di wilayah Majalaya memberikan nilai RMSE paling optimum sebesar 0,121 pada lag time 10 menit terhadap wilayah grid ke-5. Implementasi menggunakan algoritma ELM dapat dikembangkan dengan meng-upgrade data dan parameter yang akan digunakan.