Electronic Theses and Dissertation

Prediksi tinggi muka air merupakan salah satu aspek penting dalam mendukung sistem peringatan dini banjir dan pengelolaan sumber daya air. penelitian ini bertujuan untuk menganalisis tingkat akurasi model random vector functional link (rvfl) dan radial basis function neural network (rbfnn) dalam memprediksi tinggi muka air di daerah aliran sungai (das) krueng peusangan, membandingkan kinerja kedua model, serta mengkaji kontribusinya terhadap sistem peringatan dini banjir. penelitian menggunakan data iklim harian yang terdiri atas curah hujan, kelembapan relatif, dan kecepatan angin sebagai variabel input, sedangkan tinggi muka air digunakan sebagai variabel output. proses analisis meliputi pengolahan data, pembangunan model rvfl dan rbfnn, serta evaluasi kinerja menggunakan metrik root mean square error (rmse) dan koefisien determinasi (r²). hasil penelitian menunjukkan bahwa kedua model mampu memprediksi tinggi muka air dengan tingkat akurasi yang baik. model rvfl memberikan performa yang cukup baik dengan nilai rmse yang relatif rendah dan nilai r² di atas 0,80, sehingga mampu menjelaskan sebagian besar variasi data aktual serta memiliki keunggulan dalam kecepatan komputasi dan kemampuan generalisasi. namun, model rbfnn menunjukkan kinerja yang lebih unggul dengan nilai rmse yang lebih rendah dan nilai r² yang lebih tinggi dibandingkan rvfl. kemampuan rbfnn dalam memodelkan hubungan nonlinier secara lebih akurat menjadikannya lebih efektif dalam memprediksi tinggi muka air pada das krueng peusangan. hasil penelitian ini menunjukkan bahwa rbfnn merupakan model yang paling sesuai untuk prediksi tinggi muka air dan berpotensi mendukung pengembangan sistem peringatan dini banjir serta pengelolaan sumber daya air yang lebih efektif di das krueng peusangan. kata kunci: prediksi tinggi muka air, random vector functional link (rvfl), radial basis function neural network (rbfnn), das krueng peusangan, sistem peringatan dini banjir

Water level prediction is an essential component in supporting flood early warning systems and water resources management. This study aims to analyze the prediction accuracy of the Random Vector Functional Link (RVFL) and Radial Basis Function Neural Network (RBFNN) models in predicting water levels in the Krueng Peusangan Watershed, compare the performance of the two models, and examine their contributions to flood early warning systems. The study utilized daily climatic data, including rainfall, relative humidity, and wind speed, as input variables, while water level was used as the output variable. The analysis involved data preprocessing, the development of RVFL and RBFNN models, and performance evaluation using the Root Mean Square Error (RMSE) and the coefficient of determination (R²). The results indicate that both models were capable of predicting water levels with good accuracy. The RVFL model demonstrated satisfactory performance, producing relatively low RMSE values and an R² value greater than 0.80, indicating its ability to explain most of the variation in the observed data while offering advantages in computational efficiency and generalization capability. However, the RBFNN model achieved superior performance, with lower RMSE and higher R² values than the RVFL model. Its ability to model complex nonlinear relationships more accurately enabled RBFNN to provide predictions that were closer to the observed water levels in the Krueng Peusangan Watershed. These findings indicate that RBFNN is the more effective model for water level prediction and has strong potential to support the development of flood early warning systems and more efficient water resources management in the Krueng Peusangan Watershed. Keywords: water level prediction, Random Vector Functional Link (RVFL), Radial Basis Function Neural Network (RBFNN), Krueng Peusangan Watershed, flood early warning system