Electronic Theses and Dissertation

Curah hujan merupakan salah satu parameter cuaca yang sangat berpengaruh terhadap berbagai sektor, seperti pertanian, pariwisata, perikanan, dan penerbangan. Kota Sabang sebagai wilayah kepulauan di ujung barat Indonesia memiliki karakteristik iklim yang unik dan dinamis, sehingga membutuhkan sistem prediksi cuaca yang akurat dan adaptif. Jaringan saraf tiruan sangat kuat dalam mengenali pola-pola data untuk memodelkan dan mempediksi curah hujan. Penelitian ini bertujuan untuk mengembangkan model prediksi curah hujan harian di Kota Sabang menggunakan algoritma Jaringan Saraf Tiruan (JST) dengan metode Backpropagation. Model dibangun berdasarkan data historis curah hujan guna menangkap pola-pola non-linier dalam data iklim. Fungsi pelatihan yang digunakan yaitu Levenberg-Marquardt (trainlm), Scaled Conjugate Gradient (trainscg), dan Gradient Descent with Momentum & Adaptive Rate (traingdx). Data yang digunakan merupakan data rata – rata harian dari pengamatan observasi di Stasiun Meteorologi Maimun Saleh Sabang selama 10 tahun (2015 - 2024). Data tersebut meliputi data suhu rata – rata, suhu maksimum, suhu minimum, kelembapan, tekanan, penyinaran matahari, arah dan kecepatan angin serta data curah hujan. Hasil penelitian menunjukan bahwa Fungsi pelatihan Levenberg-Marquardt (LM) secara konsisten menunjukkan performa paling unggul. Konfigurasi LM dengan 25 neuron (LM-25) menghasilkan nilai R² tertinggi sebesar 0,933, MAE terendah sebesar 23,061, dan RMSE sebesar 30,917 pada skala bulanan. Ini menunjukkan bahwa LM-25 mampu memberikan prediksi dengan akurasi tinggi dan kestabilan yang sangat baik dalam menangkap pola musiman.

Rainfall is one of the most influential weather parameters affecting various sectors, such as agriculture, tourism, fisheries, and aviation. As an island region at the western tip of Indonesia, Sabang City has unique and dynamic climatic characteristics, necessitating an accurate and adaptive weather prediction system. Artificial neural networks are highly effective in recognizing data patterns to model and predict rainfall. This study aims to develop a daily rainfall prediction model for the city of Sabang using an artificial neural network (ANN) algorithm with the Backpropagation method. The model was built based on historical rainfall data to capture non-linear patterns in climate data. The training functions used were Levenberg-Marquardt (trainlm), Scaled Conjugate Gradient (trainscg), and Gradient Descent with Momentum & Adaptive Rate (traingdx). The data used were daily average data from observations at the Maimun Saleh Sabang Meteorological Station over 10 years (2015–2024). The data included average temperature, maximum temperature, minimum temperature, humidity, pressure, solar radiation, wind direction and speed, and rainfall data. The results of the study show that the Levenberg-Marquardt (LM) training function consistently demonstrates the best performance. The LM configuration with 25 neurons (LM-25) successfully produces the highest R² value of 0.933, the lowest MAE of 23.061, and an RMSE of 30.917 on a monthly scale. This indicates that LM-25 is capable of providing high-accuracy predictions with excellent stability in capturing seasonal patterns.