<?xml version="1.0" encoding="UTF-8" ?>
<modsCollection xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns="http://www.loc.gov/mods/v3" xmlns:slims="http://slims.web.id" xsi:schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-3.xsd">
<mods version="3.3" id="163211">
 <titleInfo>
  <title>PERAMALAN KEJADIAN UPWELLING DI DANAU MANINJAU MENGGUNAKAN PENDEKATAN HIBRIDA VAR-SVM DENGAN VISUALISASI MELALUI DASHBOARD INTERAKTIF</title>
 </titleInfo>
 <name type="Personal Name" authority="">
  <namePart>FAKHRUS SYAKIR</namePart>
  <role>
   <roleTerm type="text">Primary Author</roleTerm>
  </role>
 </name>
 <typeOfResource manuscript="no" collection="yes">mixed material</typeOfResource>
 <genre authority="marcgt">bibliography</genre>
 <originInfo>
  <place>
   <placeTerm type="text">Banda Aceh</placeTerm>
   <publisher>Fakultas Teknik</publisher>
   <dateIssued>2025</dateIssued>
  </place>
 </originInfo>
 <language>
  <languageTerm type="code"></languageTerm>
  <languageTerm type="text"></languageTerm>
 </language>
 <physicalDescription>
  <form authority="gmd">Skripsi</form>
  <extent></extent>
 </physicalDescription>
 <note>Danau Maninjau mengalami peristiwa upwelling secara berkala yang mengganggu kualitas air, merusak stok ikan, dan menimbulkan tantangan sosial ekonomi bagi masyarakat sekitar. Penelitian ini bertujuan untuk meningkatkan akurasi prediksi upwelling dengan mengintegrasikan pemodelan deret waktu Vector Autoregressive (VAR) dengan klasifikasi Support Vector Machine (SVM). Dataset lima tahun (2020-2024) dari variabel iklim harian suhu permukaan, curah hujan, dan kecepatan angin dikumpulkan dari National Aeronautics and Space Administration (NASA). Stasioneritas data dikonfirmasi dengan menggunakan transformasi Box-Cox dan uji Augmented Dickey-Fuller, sementara analisis Kausalitas Granger menunjukkan hubungan dua arah di antara variabel-variabel tersebut. Model peramalan yang optimal, VAR (17), dipilih berdasarkan Akaike Information Criterion (AIC), yang memastikan residual memenuhi kriteria white noise. Pengelompokan K-means kemudian memberi label pada hari-hari upwelling potensial, dan label-label ini digunakan untuk melatih pengklasifikasi SVM. Dasbor interaktif dikembangkan dengan menggunakan Python dan Streamlit untuk memfasilitasi prakiraan waktu nyata dan hasil klasifikasi. Model VAR (17) menghasilkan prakiraan yang sangat akurat, yang tercermin dari metrik kesalahan yang minimal (misalnya, RMSE</note>
 <note type="statement of responsibility"></note>
 <classification>0</classification>
 <identifier type="isbn"></identifier>
 <location>
  <physicalLocation>ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala</physicalLocation>
  <shelfLocator></shelfLocator>
 </location>
 <slims:digitals/>
</mods>
<recordInfo>
 <recordIdentifier>163211</recordIdentifier>
 <recordCreationDate encoding="w3cdtf">2025-07-18 10:09:08</recordCreationDate>
 <recordChangeDate encoding="w3cdtf">2025-07-18 10:09:57</recordChangeDate>
 <recordOrigin>machine generated</recordOrigin>
</recordInfo>
</modsCollection>