Electronic Theses and Dissertation

Temperatur udara merupakan variabel meteorologi yang bersifat dinamis dan mengandung ketidakpastian. Penelitian ini bertujuan untuk memprediksi temperatur harian di Kota Banda Aceh menggunakan metode Interval Type-2 Fuzzy Time Series (IT2FTS) bivariat dengan temperatur dan jumlah awan sebagai variabel input. Metode ini digunakan karena mampu merepresentasikan ketidakpastian data melalui pembentukan Upper Membership Function (UMF), Lower Membership Function (LMF), dan Footprint of Uncertainty (FOU). Data utama yang digunakan merupakan data harian dari NASA POWER periode 1 Januari 2024 hingga 31 Mei 2025 sebanyak 517 observasi. Dari data tersebut, sebanyak 516 pasangan data digunakan dalam pembentukan dan evaluasi prediksi satu langkah ke depan. Tahapan penelitian meliputi penentuan Universe of Discourse (UOD), pembentukan partisi fuzzy, pembentukan himpunan interval fuzzy tipe-2, fuzzifikasi, pembentukan Fuzzy Logical Relationship (FLR), pembentukan Fuzzy Logical Relationship Group (FLRG), defuzzifikasi, dan evaluasi akurasi. Hasil evaluasi data utama menghasilkan nilai Mean Absolute Percentage Error (MAPE) sebesar 1,443% dan rata-rata error absolut sebesar 0,3967°C. Sebanyak 95,16% hasil prediksi memiliki error absolut kurang dari atau sama dengan 1,00°C. Model selanjutnya digunakan untuk memprediksi temperatur bulan Juni 2025 secara berantai. Pengujian terhadap 30 data bulan Juni 2025 menghasilkan MAPE sebesar 1,8882% dan rata-rata error absolut sebesar 0,5091°C. Hasil tersebut menunjukkan bahwa metode IT2FTS bivariat mampu menghasilkan prediksi temperatur harian yang mendekati nilai aktual dan termasuk dalam kategori peramalan sangat akurat.

Air temperature is a dynamic meteorological variable that is subject to uncertainty. This study aims to predict daily air temperature in Banda Aceh City using the bivariate Interval Type-2 Fuzzy Time Series (IT2FTS) method with temperature and cloud amount as input variables. This method is applied because it can represent data uncertainty through the construction of the Upper Membership Function (UMF), Lower Membership Function (LMF), and Footprint of Uncertainty (FOU). The main data consist of daily observations obtained from NASA POWER for the period from January 1, 2024, to May 31, 2025, comprising 517 observations. A total of 516 data pairs were used to construct and evaluate one-step-ahead predictions. The research stages included determining the Universe of Discourse (UOD), forming fuzzy partitions, constructing interval type-2 fuzzy sets, fuzzifying the data, forming Fuzzy Logical Relationships (FLR), forming Fuzzy Logical Relationship Groups (FLRG), defuzzification, and evaluating prediction accuracy. The evaluation of the main data produced a Mean Absolute Percentage Error (MAPE) of 1.443% and a mean absolute error of 0.3967°C. A total of 95.16% of the predictions had an absolute error of less than or equal to 1.00°C. The model was subsequently applied to recursively predict daily temperatures in June 2025. The evaluation of 30 observations in June 2025 produced a MAPE of 1.8882% and a mean absolute error of 0.5091°C. These results indicate that the bivariate IT2FTS method can produce daily temperature predictions that are close to the actual values and fall within the highly accurate forecasting category.