Electronic Theses and Dissertation

Prediksi suhu rata-rata harian merupakan informasi yang sangat penting dalam
mendukung pengambilan keputusan di berbagai sektor strategis, seperti pertanian, manajemen energi, dan peringatan dini kesehatan masyarakat. Wilayah Kabupaten Aceh Besar memiliki karakteristik iklim tropis yang unik dengan pola data meteorologi yang bersifat nonlinier dan kompleks, sehingga diperlukan pendekatan pemodelan yang mampu menangkap dinamika tersebut secara efektif. Penelitian ini bertujuan menerapkan metode Adaptive Neuro-Fuzzy Inference System (ANFIS) untuk memprediksi suhu rata-rata harian di Stasiun Meteorologi Sultan Iskandar Muda, Kabupaten Aceh Besar. Data yang digunakan merupakan data harian dari Januari 2010 hingga Juni 2025 yang berjumlah 5.660 observasi dengan tujuh variabel input meteorologi, meliputi temperatur minimum, temperatur maksimum, kelembapan rata rata, curah hujan, lamanya penyinaran matahari, kecepatan angin maksimum, dan
kecepatan angin rata-rata. Data mentah mengandung nilai hilang dan kode tidak valid yang ditangani melalui tahapan preprocessing berupa imputasi median dan interpolasi. Data selanjutnya dikelompokkan ke dalam lima klaster menggunakan Fuzzy C-Means (FCM) untuk menentukan pusat klaster sebagai dasar pembentukan fungsi keanggotaan. Dua model ANFIS dikembangkan menggunakan fungsi keanggotaan Generalized Bell (Gbell) dan Gaussian, masing-masing dilatih menggunakan skema hybrid learning selama 15 iterasi dengan pembagian data 80% pelatihan dan 20% pengujian. Evaluasi model dilakukan menggunakan tiga metrik, yaitu MSE, RMSE, dan MAPE. Hasil menunjukkan bahwa kedua model ANFIS memiliki kinerja yang sangat baik. Model ANFIS-Gaussian menghasilkan MSE sebesar 1,428319, RMSE sebesar 1,195123, dan MAPE sebesar 3,400942%, sedangkan model ANFIS Gbell
menghasilkan MSE sebesar 1,3995, RMSE sebesar 1,183, dan MAPE sebesar
3,3733%. Model ANFIS Gbell menunjukkan akurasi yang lebih tinggi dibandingkan ANFIS Gaussian, sehingga fungsi keanggotaan Generalized Bell lebih direkomendasikan untuk prediksi suhu rata-rata harian di wilayah beriklim tropis.

Daily average temperature prediction is a critical component in supporting decision making across various strategic sectors, including agriculture, energy management, and public health early warning systems. Aceh Besar District exhibits a unique tropical climate characterized by nonlinear and complex meteorological data patterns, necessitating a modeling approach capable of effectively capturing such dynamics. This study aims to apply the Adaptive Neuro-Fuzzy Inference System (ANFIS) method to predict daily average temperature at the Sultan Iskandar Muda Meteorological Station, Aceh Besar. The dataset consists of 5,660 daily observations spanning January 2010 to June 2025, incorporating seven meteorological input variables: minimum temperature, maximum temperature, average humidity, rainfall, sunshine duration, maximum wind speed, and average wind speed. Raw data containing missing values and invalid codes were handled through preprocessing steps comprising median imputation and interpolation. The data were subsequently clustered into five groups using Fuzzy C-Means (FCM) to determine cluster centers as the basis for membership function construction. Two ANFIS models were developed using Generalized Bell (Gbell) and Gaussian membership functions, each trained via a hybrid learning scheme over 15 iterations with an 80:20 training-to-testing data split. Model performance was evaluated using three metrics: MSE, RMSE, and MAPE. Both models demonstrated excellent predictive performance. The ANFIS-Gaussian model yielded an MSE of 1.428319, RMSE of 1.195123, and MAPE of 3.400942%, while the ANFIS-Gbell model yielded an MSE of 1.3995, RMSE of 1.183, and MAPE of 3.3733%. The ANFIS-Gbell model outperformed the Gaussian model across all evaluation metrics, indicating that the Generalized Bell membership function is more suitable for predicting daily average temperature in tropical climate regions