IZZANI, Ahmad Fadhil Choerun (2026) Analisis Pemodelan Anfis Berbasis Subtractive Clustering untuk Mengevaluasi Chirps dan GPM Terhadap Stasiun Meteorologi Ahmad Yani di Wilayah Kota Semarang. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. HALAMAN JUDUL.pdf Download (191kB)
	Text 3. PERNYATAAN ORISINALITAS.pdf Download (38kB)
	Text 4. LEMBAR PENGESAHAN SKRIPSI.pdf Download (151kB)
	Text 6. KATA PENGANTAR.pdf Download (189kB)
	Text 7. DAFTAR ISI.pdf Download (234kB)
	Text 12. ABSTRAK.pdf Download (253kB)
	Text 13. BAB I.pdf Download (260kB)
	Text 18. DAFTAR PUSTAKA.pdf Download (243kB)

Abstract

Indonesia sebagai negara beriklim monsun tropis memiliki variabilitas curah hujan yang tinggi, sehingga ketersediaan data curah hujan yang akurat menjadi sangat penting untuk pengelolaan sumber daya air, mitigasi bencana, dan perencanaan wilayah. Namun, keterbatasan jumlah stasiun observasi BMKG menyebabkan representasi spasial curah hujan sering tidak memadai, termasuk di Kota Semarang yang hanya memiliki satu stasiun yang mempresentasikan curah hujan daratan wilayah Kota Semarang. Sebagai solusi, data satelit seperti CHIRPS dan GPM digunakan secara luas karena cakupan spasialnya yang lebih merata, tetapi keduanya masih mengandung bias signifikan terutama di wilayah tropis.
Penelitian ini bertujuan membangun model koreksi bias menggunakan Adaptive Neuro-Fuzzy Inference System (ANFIS) berbasis Subtractive Clustering untuk meningkatkan akurasi estimasi curah hujan CHIRPS dan GPM, serta membandingkan performa keduanya terhadap observasi BMKG. Skema Walk
Forward Validation (WFV) diterapkan untuk memastikan proses pelatihan berlangsung adaptif mengikuti urutan waktu. Data diolah melalui agregasi musiman, penambahan fitur sinusoidal, transformasi logaritmik, dan normalisasi dinamis pada tiap fold sebelum pemodelan. Penelitian ini menunjukkan bahwa
ANFIS mampu meningkatkan akurasi estimasi curah hujan satelit secara konsisten. Setelah dikoreksi bias, CHIRPS menunjukkan performa yang lebih baik dibandingkan GPM, ditunjukkan oleh nilai RMSE dan MAE lebih rendah serta nilai
R² yang lebih tinggi. Temuan ini mengindikasikan bahwa CHIRPS lebih direkomendasikan sebagai pelengkap data observasi BMKG di Kota Semarang. Secara keseluruhan, penelitian ini menunjukkan bahwa ANFIS berbasis Subtractive Clustering efektif dalam mengurangi bias sistematis dan dapat menjadi pendekatan alternatif bagi pemantauan curah hujan di wilayah dengan keterbatasan stasiun observasi.
Kata Kunci : Curah hujan; CHIRPS; GPM; Adaptive Neuro-Fuzzy Inference System; Koreksi Bias; Kota Semarang.

Actions (login required)

View Item