Electronic Theses and Dissertation

Peramalan iklim merupakan pendekatan penting dalam mendukung pengam- bilan keputusan di sektor pertanian yang sangat bergantung pada kondisi lingkungan, khususnya pada sistem sawah tadah hujan di wilayah Aceh Besar. Penelitian ini mengembangkan sistem informasi kalender tanam dinamis berbasis peramalan iklim dengan memanfaatkan data harian dari tiga sumber berbeda yaitu Badan Meteorologi, Klimatologi, dan Geofisika (BMKG), Citra satelit serta National Aeronautics and Space Administration (NASA). Data iklim yang digunakan meliputi curah hujan, suhu udara, kelembaban udara relatif, dan radiasi matahari, yang dikelola menggunakan basis data NoSQL untuk mendukung integrasi dan pengolahan data. Metode peramalan yang diterapkan adalah Holt–Winters Exponential Smoothing karena kemampuannya dalam menangkap pola musiman dan tren pada data deret waktu. Evaluasi model dilakukan dengan beberapa skenario pembagian data pelatihan dan pengujian, yaitu 70:30, 80:20, dan 90:10, menggunakan metrik Root Mean Square Error (RMSE), Mean Absolute Error (MAE), dan Mean Absolute Percentage Error (MAPE). Hasil pengujian me- nunjukkan bahwa konfigurasi terbaik umumnya diperoleh pada pembagian data 80:20 untuk variabel suhu udara dan radiasi matahari, sedangkan kelembaban udara relatif menunjukkan performa terbaik pada skenario 70:30. Sementara itu, variabel curah hujan menunjukkan hasil terbaik pada skenario 90:10. Akurasi model menghasilkan RMSE 12,97, MAE 5,19, dan MAPE 55,21% untuk curah hujan; RMSE 0,97, MAE 0,76, dan MAPE 2,74% untuk suhu udara; RMSE 12,39, MAE 10,04, dan MAPE 13,23% untuk kelembaban udara relatif; serta RMSE 8,63, MAE 7,08, dan MAPE 48,80% untuk radiasi matahari. Hasil peramalan ini digunakan sebagai dasar penyusunan kalender tanam padi sawah di wilayah Aceh Besar, yang menunjukkan periode tanam optimal berlangsung dari bulan 28 September 2025 hingga 6 Februari 2026, sedangkan periode bera terjadi pada 1 Juli hingga 27 September 2025 serta 7 Februari hingga 26 Maret 2026. Sistem yang dikembangkan diharapkan dapat mendukung perencanaan waktu tanam yang lebih adaptif terhadap dinamika iklim

Climate forecasting is an essential approach to support decision-making in the agricultural sector, which is highly dependent on environmental conditions, particularly in rainfed rice field systems in Aceh Besar. This study develops a dynamic planting calendar information system based on climate forecasting by utilizing daily data from three different sources: the Meteorology, Climatology, and Geophysics Agency (BMKG), satellite imagery, and the National Aeronautics and Space Administration (NASA). The climate data used include rainfall, air temperature, relative humidity, and solar radiation, managed using a NoSQL database to support integration and data processing. The forecasting method applied is Holt–Winters Exponential Smoothing due to its ability to capture seasonal patterns and trends in time series data. Model evaluation was conducted with several training and testing data split scenarios, namely 70:30, 80:20, and 90:10, using metrics Root Mean Square Error (RMSE), Mean Absolute Error (MAE), and Mean Absolute Percentage Error (MAPE). The results show that the best configuration was generally obtained with the 80:20 split for air temperature and solar radiation variables, while relative humidity performed best under the 70:30 scenario. Meanwhile, rainfall achieved its best performance under the 90:10 scenario. The model accuracy yielded RMSE 12.97, MAE 5.19, and MAPE 55.21% for rainfall; RMSE 0.97, MAE 0.76, and MAPE 2.74% for air temperature; RMSE 12.39, MAE 10.04, and MAPE 13.23% for relative humidity; and RMSE 8.63, MAE 7.08, and MAPE 48.80% for solar radiation. The forecasting results were then used as the basis for preparing the rice planting calendar in Aceh Besar, which indicated that the optimal planting period occurs from September 28, 2025, to February 6, 2026, while the fallow periods occur from July 1 to September 27, 2025, and from February 7 to March 26, 2026. The system developed is expected to support more adaptive planting time planning in response to climate dynamics