Prediksi Intensitas Curah Hujan di Kota Surabaya Menggunakan Principal Component Analysis (PCA) dan Long Short-Term Memory (LSTM)

Kolimon, Cintya Juanita Elizabeth (2025) Prediksi Intensitas Curah Hujan di Kota Surabaya Menggunakan Principal Component Analysis (PCA) dan Long Short-Term Memory (LSTM). Undergraduate thesis, UPN Veteran Jawa Timur.

	Text (Cover) 21081010009-cover.pdf Download (1MB)
	Text (Bab 1) 21081010009-bab1.pdf Download (216kB)
	Text (Bab 2) 21081010009-bab2.pdf Restricted to Repository staff only until 18 June 2027. Download (458kB)
	Text (Bab 3) 21081010009-bab3.pdf Restricted to Repository staff only until 18 June 2027. Download (836kB)
	Text (Bab 4) 21081010009-bab4.pdf Restricted to Repository staff only until 18 June 2027. Download (5MB)
	Text (Bab 5) 21081010009-bab5.pdf Download (155kB)
	Text (Daftar pustaka) 21081010009-daftarpustaka.pdf Download (172kB)

Abstract

Kota Surabaya sering mengalami curah hujan tinggi yang berpotensi menyebabkan banjir akibat sistem drainase yang kurang optimal. Maka dari itu, prediksi curah hujan yang akurat memiliki peranan krusial dalam mitigasi bencana serta perencanaan kota. Penelitian ini bertujuan mengevaluasi sejauh mana penggunaan Principal Component Analysis (PCA) berpengaruh terhadap peningkatan akurasi model Long Short-Term Memory (LSTM) dalam melakukan prediksi intensitas curah hujan di Surabaya. PCA dimanfaatkan dalam mengekstraksi fitur dari variabel meteorologi, seperti tekanan udara, suhu, kelembaban, lama penyinaran matahari, dan arah mata angin, dengan tujuan mereduksi dimensi data serta meningkatkan efisiensi model. Penelitian ini menguji tiga skenario dengan jumlah variabel PCA yang berbeda, yaitu 5, 6, dan 7 variabel. Hasil menunjukkan bahwa skenario dengan 6 variabel PCA memberikan performa terbaik dengan MAE 0.012, RMSE 0.033, dan MSE 0.0010. Skenario ini memperlihatkan keseimbangan optimal antara jumlah variabel dan akurasi model. Temuan ini menegaskan bahwa reduksi dimensi melalui PCA mampu meningkatkan efisiensi sekaligus akurasi prediksi model LSTM, namun pemilihan jumlah variabel yang tepat sangat krusial agar tidak terjadi kehilangan informasi yang berarti. Model yang dikembangkan diharapkan menjadi referensi serta pedoman dalam meningkatkan ketepatan prediksi curah hujan.

Item Type:

Thesis (Undergraduate)

Contributors:

Contribution	Contributors	NIDN/NIDK	Email
Thesis advisor	Haromainy, Muhammad Muharrom Al	NIDN0701069503	muhammad.muharrom.if@upnjatim.ac.id
Thesis advisor	Nurlaili, Afina Lina	NIDN0013129303	afina.lina.if@upnjatim.ac.id

Subjects:

G Geography. Anthropology. Recreation > GE Environmental Sciences
Q Science > Q Science (General)
Q Science > QA Mathematics > QA76.6 Computer Programming
Q Science > QA Mathematics > QA76.87 Neural computers

Divisions:

Faculty of Computer Science > Departemen of Informatics

Depositing User:

Cintya Juanita Elizabeth Kolimon

Date Deposited:

18 Jun 2025 04:44

Last Modified:

18 Jun 2025 04:44

URI:

https://repository.upnjatim.ac.id/id/eprint/38316