Electronic Theses and Dissertation

Adaptive neuro-fuzzy inference system (anfis) telah menjadi salah satu metode yang digunakan untuk memprediksi curah hujan dengan tingkat akurasi yang baik, terutama dalam kondisi curah hujan rendah hingga sedang. penelitian ini bertujuan untuk mengevaluasi performa anfis dalam memprediksi curah hujan di wilayah aceh menggunakan data meteorologi dari lima stasiun, yaitu sabang, blangbintang, aceh besar, lhokseumawe, dan nagan raya. variabel yang digunakan meliputi curah hujan, suhu udara, kelembapan relatif, tekanan udara, dan kecepatan angin. hasil penelitian menunjukkan bahwa model anfis memiliki performa terbaik di blangbintang dengan root mean square error (rmse) sebesar 4.87 mm dan koefisien korelasi sebesar 0.55 dan dan koefisien determinasi nilai sebesar 0.36. namun, penurunan akurasi terjadi pada prediksi curah hujan ekstrem, yang disebabkan oleh variabilitas tinggi dalam pola curah hujan dan interaksi sistem cuaca yang kompleks. analisis skala musiman menunjukkan bahwa model lebih stabil dalam memprediksi curah hujan selama musim kemarau dibandingkan musim hujan. penelitian ini juga menyimpulkan bahwa pendekatan hybrid dengan optimasi metode anfis dapat meningkatkan kemampuan model dalam menangkap pola curah hujan yang lebih kompleks. implikasi praktis dari penelitian ini mencakup penggunaan prediksi curah hujan untuk mitigasi bencana, perencanaan pertanian, dan manajemen sumber daya air. kata kunci: anfis, prediksi curah hujan, mitigasi bencana,rmse, r²

Adaptive Neuro-Fuzzy Inference System (ANFIS) has become one of the methods used to predict rainfall with a good level of accuracy, especially in low to moderate rainfall conditions. This study aims to evaluate the performance of ANFIS in predicting rainfall in the Aceh region using meteorological data from five stations, namely Sabang, BlangBintang, Aceh Besar, Lhokseumawe, and Nagan Raya. The variables used include rainfall, air temperature, relative humidity, air pressure, and wind speed. The results showed that the ANFIS model performed best at the Class I Meteorological Station Blangbintang, with a Root Mean Square Error (RMSE) of 4.87 mm, a correlation coefficient of 0.60, and a coefficient of determination of 0.36. However, a decrease in accuracy occurred in predicting extreme rainfall, which was caused by high variability in rainfall patterns and complex weather system interactions. Seasonal scale analysis showed that the model was more stable in predicting rainfall during the dry season than the rainy season. This study also concludes that the hybrid approach with ANFIS method optimization can improve the model's ability to capture more complex rainfall patterns. Practical implications of this study include using rainfall prediction for disaster mitigation, agricultural planning, and water resource management. Keywords: ANFIS, rainfall prediction, disaster mitigation.RMSE, R²