IMPLEMENTASI ALGORITMA UNTUK PREDIKSI CURAH HUJAN PADA SISTEM PENDETEKSIAN DINI BENCANA BANJIR

ALGORITHM IMPLEMENTATION OF RAIN PRECIPITATION FORECASTING IN EARLYFLOODDISASTER DETECTIONSYSTEM

Fithriah Musadat1, Zahir Zainuddin2, Merna Baharuddin2

1Teknik Informatika Program Pasca Sarjana Universitas Hasanuddin 2Jurusan Teknik Elektro Fakultas Teknik Universitas Hasanuddin

Alamat Korespondensi: Fithriah Musadat Teknik Informatika Program Pasca Sarjana Universitas Hasanuddin Makassar.Sulawesi Selatan. HP: 0856 9696 48 13 Email: fith.musadat@gmail.com

ABSTRAK

Salah satu cara untuk meminimalisasi dampak yang dapat ditimbulkan oleh banjir adalah dengan sistem pendeteksian dini bencana banjir. Tujuan dari penelitian ini yaitu membangun sistem prediksi curah hujan untuk mendukung sistem pendeteksian dini bencana banjir. Data yang digunakan adalah data curah hujan harian Stasiun Meterologi dan Paotere Makassar periode 1 Januari 2002 hingga 31 Desember 2011, yang dibagi ke dalam 3 kelompok (in-sample I, in-sample II, out-sample). In-sample I digunakan sebagai data pelatihan untuk model tunggal ARIMA, ANFIS, dan Wavelet. Setelah diuji diperoleh MAE-nya secara berturut-turut yakni 10,55; 7,81; dan 6,35 yang berarti ANFIS dan Wavelet memiliki keakuratan yang lebih baik dari ARIMA. Selanjutnya hasil peramalan ANFIS dan Wavelet dijadikan input pada ANFIS Optimal. In-sample II digunakan sebagai data pelatihan untuk model ANFIS, Wavelet, dan ANFIS Optimal. MAE-nya masing-masing adalah 11,06; 8,36; dan 8,82 sedangkan nilai error maksimalnya adalah 300,17; 233,18; dan 178,50. Dari hasil penelitian tersebut dapat dilihat bahwa ANFIS Optimal dapat menurunkan nilai error secara signifikan dibandingkan metode lainnya sehingga dapat digunakan sebagai pendukung pengambilan keputusan pada sistem pendeteksian dini bencana banjir.

Kata Kunci – ARIMA, ANFIS, Wavelet, Curah Hujan, Peramalan.

ABSTRACT

One way to minimaize the impact of flood is to build an early detection system of flood disaster. The main goal of this study is to build the precipitation forecasting to support early detection system of flood disaster. Data used are daily precipitation data from Paotere Meteorological Station in Makassar period January 1st, 2002 until December 31th, 2011 which devided into 3 groups (in-sample I, in-sample II, out-sample). In-sample I used as training data for a single ARIMA, ANFIS, and Wavelet. After tested we obtain the value of MAE respectively were 10.55; 7.81; and 6.35 its mean that ANFIS and Wavelet had a better accuracy compared with ARIMA. Furthermore ANFIS and Wavelet forecasting result was used as an input in optimal ANFIS. In-sample II used as training data for ANFIS, Wavelet, and Optimal ANFIS. It’s MAE were 11.06; 8.36; and 8.82 while maximum errors were 300.17; 233.18; dan 178.50. From the result of this study we can see that the Optimal ANFIS can significantly decrease the value of error compared to another method so we can use it as a support decision making in an early detection system of flood disaster.

Keywords – ARIMA, ANFIS, Wavelet, Precipitation, Forecasting.

PENDAHULUAN

Indonesia merupakan Negara yang berada pada zona rawan bencana.Bencana sering

menimbulkan banyak korban jiwa dan harta benda.Bencana bukanlah hal yang dapat ditolak

keberadaannya, tetapi manusia harusnya mampu melakukan pendugaan atas kemungkinan

terjadinya bencana sehingga dapat meminimalisasi dampak yang dapat

ditimbulkannya.Suprapto (2011) menyatakan bahwa banjir merupakan bencana paling sering

terjadi di Indonesia.Selama 2002-2010 telah terjadi 3.479 kali kejadian banjir di Indonesia.

Salah satu upaya untuk menghindari akibat yang ditimbulkan bencana banjir dan

longsor ini adalah dengan membangun sistem peringatan dini bencana banjir.Menurut Action

contre la Faim – Indonesia Mission (2010), Sistem Peringatan Dini merupakan sebuah

tatanan penyampaian informasi hasil prediksi terhadap sebuah ancaman kepada masyarakat

sebelum terjadinya sebuah peristiwa yang dapat menimbulkan risiko yang bertujuan untuk

memberikan peringatan agar penerima informasi dapat segera siap siaga dan bertindak sesuai

kondisi, situasi dan waktu yang tepat. Prinsip utama dalam Sistem Pendeteksian Dini adalah

memberikan informasi cepat, akurat, tepat sasaran, mudah diterima, mudah dipahami,

terpercaya dan berkelanjutan.

Zainuddin (2009) telah mengembangkan prototipe sistem jaringan sensor

hidremeteorologi nirkabel dan model hidrodinamik berbasis GIS untuk peringatan dini

bencana banjir. Sistem ini memanfaatkan teknologi akusisi data sistem sensor yang

diintegrasikan dengan sistem komunikasi wireless serta suatu perangkat lunak pengolahan

informasi berbentuk decision support system (DSS). Dengan sistem ini, curah hujan di daerah

hulu dapat dikirim ke pusat monitoring yang memiliki sistem pengolahan data untuk

mengambil keputusan apakah suatu bencana banjir akan terjadi atau tidak. Pada tahun 2012,

Zainuddin dkk melakukan pengembangan penelitian ini dengan judul Integrasi Sistem

Informasi Jaringan Sensor Hidrologi Nirkabel dan Model Hidrodinamik Berbasis GIS untuk

peringatan Dini Bencana Banjir. Dalam penelitian ini dijelaskan bahwa sistem pendeteksi

dini bencana banjir merupakan sebuah sistem kompleks yang terdiri dari berbagai perangkat,

baik perangkat keras maupun perangkat lunak seperti: sistem instrumentasi cuaca nirkabel;

sistem pengukuran aliran air nir kabel; modul akuisisi data berkomunikasi wireless yaitu

akuisisi dan komunikasi data berbasis WIFI, ZIGBEE, selular (mobile), komunikasi UHF;

sistem alarm yang bersifat multi-media, web, mobile seluler, alarm komunitas nirkabel;

integrasi data dengan konsep sistem akuisisi data berbasis cloud sensor; model estimasi curah

hujan dan level air; pemodelan hidrodinamik berupa simulator aliran air permukaan. Model

sistem pengambilan keputusan deteksi dini bencana banjir; dan sistem pengukuran kinerja

layanan komunikasi mobile.Pada penelitian ini dibatasi untuk model estimasi curah hujan.

Penelitian mengenai peramalan curah hujan telah banyak dilakukan sebelumnya, baik

secara kualitatif maupun kuantitatif.BMKG (Badan Meterologi, Klimatologi, dan Geofisika)

sebagai lembaga yang melakukan pengukuran dan peramalan iklim di Indonesia,

menggunakan aplikasi HyBMG versi 2.0 untuk melakukan peramalan iklim.Metode yang

digunakan HyBMG adalah ANFIS (Adaptive Neuro-Fuzzy Inference Systems), ARIMA

(Autoregressive Integrated Moving Average), Wavelet, dan Tisean (Time Series

Analysis).Pada tahun 2009, Sonjaya dkk.melakukan pengujian aplikasi yang digunakan oleh

BMKG, HyBMG versi 2.0. Hasil penelitian itu menyebutkan bahwa HyBMG memberi hasil

verifikasi prakiraan yang berbeda, baik untuk prediksi curah hujan dasarian maupun bulanan.

Penelitian lain juga dilakukan oleh Otok dkk (2009) mempublikasikan tulisannya

“Development of Rainfall Forecasting Model in Indonesia by using ASTAR, Transfer

Function, and ARIMA Methods” dalam European Journal of Scientific Research. Mereka

membandingkan kinerja tiga metode ASTAR, Transfer Function, dan ARIMA dalam

meramal curah hujan di tiga daerah yang berbeda di Jawa Timur yaitu Ngale, Karangjati, dan

Mantingan. Hasil penelitian ini menyebutkan bahwa multi-input transfer function kinerjanya

baik untuk daerah Ngale dan Karangjati, sedangkan di daerah Mantingan, metode ASTAR

menunjukkan hasil yang lebih baik. Mereka kemudian menyimpulkan bahwa model

peramalan curah hujan berbeda-beda di setiap daerah.

Oleh karena itu, pada penelitian ini akan dikembangkan sebuah metode yang akan

mengkombinasikan tiga dari empat metode yang telah digunakan oleh BMKG, yakni ANFIS,

ARIMA, dan Wavelet guna meningkatkan akurasi dalam meramalkan curah hujan.

BAHAN DAN METODE PENELITIAN

Pendekatan dan Jenis Penelitian

Penelitian ini dilakukan dengan pendekatan kualitatif yang menggunakan sampel data

yang kemudian dianalisis dengan metode yang telah ditetapkan.Sedangkan jenis

penelitiannya adalah studi kasus tentang curah hujan pada Kota Makassar.

Variabel Penelitian dan Definisi Operasional

Penelitian ini menggunakan satu definisi variabel operasional yaitu nilai curah hujan

harian.

Populasi dan Sampel

Populasi objek penelitian ini adalah semua data curah hujan, sedangkan yang menjadi

sampelnya adalah data curah hujan harian yang tercatat di Balai Besar Klimatologi dan

Geofisika Wilayah IV Makassar yang bebrasal dari Stasiun Meterologi Paotere Makassar

periode 1 januari 2002 hingga 31 desember 2011.

Jenis dan Sumber Data

Data yang digunakan dalam penelitian ini adalah data sekunder yang diambil dari

Badan Meterologi Klimatologi dan Geofisika, Balai Besar Meterologi Klimatologi dan

Geofisika Wilayah IV Makassar yang diamati di Stasiun Meteorologi Paotere Makassar pada

koordinat 05°06’37.5” LS 119°25’11.5”BT dengan elevasi 2 meter.

Metode Pengumpulan Data

Proses pengumpulan data dalam penelitian ini adalah non-participant observer,

dimana peneliti hanya mengamati data yang sudah tersedia tanpa ikut serta dalam proses

pengumpulan data di lapangan.

Metode Analisis

Model ARIMA

Model ARIMA dibentuk oleh model-model lain, yaitu model autoregressive (AR),

model moving average (MA), model AR dan MA (ARMA), hingga model AR dan MA

terintegrasi (ARIMA). Secara umum model ARIMA didefinisikan sebagai (Firdaus, 2005):

ARIMA (p, d, q) ........................................................... (1)

Dengan p menunjukkan orde AR, d menunjukkan orde differencing (pembedaan), dan q

menunjukkan orde MA.

Model Autoregressive (AR)

Suatu model regresi dikatakan model regresi yang bersifat autoregressive jika

mengandung satu atau lebih lagged dependent variables sebagai variabel bebas. Bentuk

umumnya adalah:

푍 = 휇 + 훷 푍 + 훷 푍 + ⋯+ 훷 푍 + 휀 ................................... (2)

dimana

푍 = Observasi deret stasioner saat ini

푍 , 푍 , . .푍 = observasi sebelumnya

휇, Φ , Φ , … , Φ = parameter-parameter (konstanta dan variabel)

휀 = residual peramalan acak untuk periode saat ini yang diharapkan

nilainya sama dengan 0

Jumlah observasi masa lalu yang digunakan dalam AR dikenal dengan orde p. Model

ini harus memenuhi kondisi stasioneritas (stationerity condition), yaitu jumlah semua

koefisien Φ dalam model AR harus kurang dari 1. Model AR orde p ditulis dalam bentuk:

푍 (1 − 훷 퐵 + 훷 퐵 + ⋯+ 훷 퐵 ) = 휀 + 휇 ..................................... (3)

Model Moving Average (MA)

푍 adalah fungsi linear dari residual-residual saat ini dan sebelumnya. Model MA

merupakan model pembobotan dari residual-residual peramalan terkini. Persamaannya

adalah:

푍 = 휇 + 휀 − 훩 휀 − 훩 휀 −⋯−훩 휀 .................................... (4)

dimana

푍 = Observasi deret stasioner saat ini

휀 = residual peramalan yang white noise

휀 , 휀 , … = residual peramalan periode sebelumnya

휇, Θ , Θ , … = konstanta dan koefisien MA

Model AR dan MA (ARMA)

Pada model ini 푍 adalah kombinasi model AR dan MA. Bentuk persamaannya

ditulis:

푍 = 휇 + 훷 푍 + 훷 푍 + ⋯+ 휀 − 훩 휀 − 훩 휀 −⋯ ....................... (5)

dimana

푍 = Observasi deret stasioner saat ini

푍 , 푍 , . .휀 , 휀 ,… = observasi sebelumnya

휇, Φ , Φ , … , Θ , Θ , … = parameter-parameter (konstanta dan variabel)

휀 = residual peramalan acak untuk periode saat ini

Sama seperti model sebelumnya, p dan q menandakan orde dari model.

Metode ANFIS Adaptive Neuro Fuzzy Inferences System (ANFIS) adalah arsitektur yang secara fungsional

sama dengan fuzzy rule base model Sugeno. Arsitektur ANFIS juga sama dengan jaringan syaraf

dengan fungsi radial dengan sedikit batasan tertentu. Bisa dikatakan bahwa ANFIS adalah suatu

metode yang mana dalam melakukan penyetelan aturan digunakan yang terjadi pun akan ikut

berubah. (Kusumadewi dkk., 2010)

Sebuah Fuzzy System tipe Sugeno mempunyai aturan dasar (Suwarman dkk):

Bila x adalah A1 dan y adalah B1, maka f1= p1x + q1y + r1 ................................... (6)

Bila x adalah A2 dan y adalah B2, maka f2= p2x + q2y + r2 ................................... (7)

Maka fungsi keanggotaan fuzzy adalah A1 ,B2, I = 1,2,be μA1, μB1

Dalam penghitungan, pilih hasil untuk T-norm:

Untuk menghitung aturan digunakan persamaan:

w1 = μA1 (x) μB1(y), i=1,2푓 ................................................... (8)

Untuk menghitung konsekuensi dan implikasi yang terjadi digunakan persamaan:

f(x,y)= ( , ) ( , ) ( , ) ( , )( , ) ( , )

............................................... (9)

atau

f =

............................................................ (10)

Dapat juga dipisahkan dengan fase berdasarkan pendefinisian pertama:

푤 =

............................................................. (11)

Maka f dapat ditulis sebagai :

f = 푤 푓 + 푤 푓 ......................................................... (12)

Metode Wavelet Wavelet adalah suatu konsep yang relatif baru yang dikembangkan pada awal tahun 1980-an

oleh Jean Morlet dan Alex Grossman. Tahap pertama analisis Wavelet adalah menentukan tipe

Wavelet, yang disebut dengan motherWavelet atau analyzing Wavelet, yang akan digunakan. Contoh

keluarga Wavelet adalah Wavelet Daubechies. Setelah pemilihan motherWavelet, tahap selanjutnya

membentuk basis Wavelet yang akan digunakan untuk mentransformasikan sinyal.

Pada dasarnya transformasi Wavelet dapat dibedakan menjadi dua tipe berdasarkan nilai

parameter translasi dan dilasinya, yaitu transformasi Wavelet kontinu (continue Wavelet transform)

dan diskrit (DiscreteWavelet Transform). Pada penelitian ini digunakan transformasi Wavelet diskrit.

Pada penelitian ini digunakan Wavelet Neural Network (WNN), yang merupakan perpaduan

antara Wavelet dan Neural-Network.Proses Wavelet digunakan untuk mengidentifikasi data sedangkan

proses Neural-Network untukmelatih data.Transformasi Wavelet yang digunakan adalah DWT.

HASIL

Peramalan tahap I Model pertama yang digunakan dalam peramalan tahap pertama adalah ARIMA.Pada

penelitian ini, data stasioner pada first differencing. Model ARIMA yang dipilih adalah

ARIMA(7,1,6), yang secara matematis dapat dilihat pada Persamaan 13.

푌 = −0,015 + 푌 − 0,617(푌 − 푌 ) + 0,334(푌 − 푌 ) −

0,670(푌 − 푌 ) + 0,062(푌 − 푌 ) + 0,614(푌 − 푌 ) − 0,069(푌 −

푌 ) + 0,078(푌 − 푌 ) ....................................................................... (13)

Setting ANFIS yang digunakan adalah error toleransi=10-4, iterasi makimum=5 x 103, fungsi

keangotaan=gaussmf, dan stepsize=10-2. Wavelet yang digunakan adalah Wavelet Neural Network

(WNN).Jenis transformasi wavelet yang digunakan pada penelitian ini adalah Discrete Wavelet

Transform (DWT).Keseluruhan hasil peramalan pada tahap I ini dapat dilihat pada Gambar 1,

sedangkan ringkasan hasil peramalannya dapat dilihat pada Tabel 1.

Peramalan tahap II Pada peramalan tahap I, dua metode yang tingkat akurasinya terbaik adalah ANFIS dan

Wavelet. Hasil peramalan tersebut akan menjadi input pada ANFIS Optimal. Parameter dan asumsi-

asumsi yang digunakan untuk ANFIS Optimal sama dengan yang digunakan pada ANFIS, hanya data

inputannya yang berbeda. Ringkasan hasil peramalannya dapat dilihat pada Tabel 1.

PEMBAHASAN Penelitian ini menunjukkan bahwa nilai inputan yang sesuai untuk metode ANFIS pada data

curah hujan harian di Makassar adalah data sehari sebelumnya (푌 ) dan data tiga hari

sebelumnya(푌 ). Hal ini didasarkan pada pengujian korelasi Pearson, dimana nilai korelasi pada

data sehari sebelumnya (푌 ) dan data tiga hari sebelumnya(푌 ) lebih tinggi terhadap curah hujan

(푌 ) dibandingkan dengan nilai korelasi pada data dua hari sebelumnya(푌 ), data 365 hari

sebelumnya (푌 ) dan data 366 hari sebelumnya (푌 ). Dengan nilai korelasi positif yang

artinya data 푌 dan 푌 berbanding lurus terhadap 푌 .

Dalam meramal dengan WNN terdapat dua proses penting yaitu proses wavelet untuk

pengidentifikasian data dan neural network untuk training data. Dalam proses wavelet dihasilkan nilai

aproksimasi dan detil. Misalnya untuk proses training pada bulan januari 2002 – 2005. Nilai

aproksimasi dan detil yang diperoleh diketahui bahwa komponen frekuensi rendah dan skala tinggi

signal bergerak dari angka -72,125 hingga 145,664, sedangkan komponen frekuensi tinggi skala

rendah signal bergerak dari angka -72,125 hingga 115,966. Nilai aproksimasi dan detil ini kemudian

menjadi input pada proses selanjutnya, yakni proses neural network. Pada proses training dengan

neural network, struktur neural network yang digunakan pada penelitian ini terdiri dari tiga layer.

Ketika melakukan peramalan dengan metode Wavelet pada bulan Agustus, dimana program

untuk melakukan training data tidak dapat dieksekusi.Hal ini terjadi karena data inputan yang

semuanya adalah 0, yang secara fisis berarti pada tahun 2002-2005 tidak tejadi hujan.Untuk mengatasi

masalah diatas, jika data inputan semua adalah 0, maka untuk prediksinya diasumsikan 0 juga. Selain

kasus tersebut penyimpangan juga terjadi pada kasus lain, dimana terdapat prediksi curah hujan yang

nilainya < 0, sehingga untuk penyelesaian tahap akhir perlu ditambahkan asumsi untuk nilai prediksi

yang < 0, maka akan dianggap 0.

Berdasarkan hasil yang diperoleh pada peramalan tahap I, sebenarnya ketiga metode baik

ARIMA, ANFIS, dan Wavelet telah dapat mengenali pola data dengan baik, namun ketepatan dalam

memprediksi secara numerik masih kurang baik. Hal ini dapat dilihat dari tingkat keakuratan dalam

meramalkan curah hujan secara tepat, misalnya untuk keakuratan < 5 mm, dimana ARIMA hanya

mampu memprediksi 61,37% secara akurat, ANFIS 69,3%, dan Wavelet 67,95%.Dilihat dari nilai

errornya, model ARIMA (7,1,6) tepat dalam meramal untuk bulan-bulan kering, tetapi tidak bagus

dalam meramal di bulan basah. Sedangkan metode ANFIS tidak dapat secara tepat meramal bulan-

bulan kering.Walaupun demikian nilai errornya tidak signifikan. Tetapi untuk bulan basah, ANFIS

lebih baik dari model ARIMA. Sedangkan metode Wavelet paling baik dalam meramalkan curah

hujan pada bulan basah dibandingkan ARIMA dan ANFIS, tetapi memiliki performa yang paling

buruk untuk bulan kering.

Dengan memperhatikan nilai MAE, MSE, MAPE, dan tingkat keakuratan secara keseluruhan

dari peramalan tahap I ini diperoleh bahwa metode yang memiliki tingkat keakuratan terbaik dari tiga

metode tersebut adalah Wavelet dan ANFIS, sehingga pada peramalan tahap II input yang digunakan

pada ANFIS Optimal adalah hasil peramalan dengan menggunakan ANFIS dan Wavelet.

Pada peramalan tahap II menunjukkan bahwa hasil peramalan dengan Wavelet memberikan

rata-rata absolute error yang paling kecil, 8,36. Meskipun demikian nilainya tidak terlalu jauh berbeda

dengan hasil ANFIS optimal. Namun jika dilihat dari maksimal nilai error yang dihasilkan, metode

Wavelet memberikan nilai error yang besar mencapai angka 300,17 sehingga riskan bila dijadikan

bahan pertimbangan dalam perancangan system pendeteksi dini bencana banjir. ANFIS optimal juga

memberikan nilai error yang besar, namun nilainya berbeda jauh dengan ANFIS dan Wavelet.

Salah satu prinsip utama yang harus dimiliki oleh sistem pendeteksian dini adalah

keakuratan.Hal ini juga berlaku pada sistem pendeteksian dini bencana banjir. Meskipun besarnya

curah hujan bukan satu-satunya faktor dalam menentukan akan terjadinya banjir atau tidak, karena

adanya faktor lain seperti daya serap tanah, topografi daerah, aliran air pada bendungan atau sungai

dan sebagainya, namun andil dari curah hujan terhadap banjir sangat besar. Kesalahan dalam

memprediksi curah hujan dapat memberikan dampak yang signifikan pada perangkat pengambil

keputusan pada sistem pendeteksian dini bencana banjir.

KESIMPULAN DAN SARAN

Berdasarkan hasil penelitian yang diperoleh maka dapat diambil beberapa kesimpulan.ANFIS

Optimal dapat menurunkan nilai error secara signifikan jika dibandingkan dengan metode ANFIS dan

Wavelet tunggal. Dimana error maksimal dari ANFIS adalah 233,18; wavelet yaitu 300,17; dan anfis

optimal yaitu 178,50. Tetapi jika dilihat dari rata-rata absolute errornya, metode wavelet sedikit lebih

baik dari ANFIS Optimal, dimana MAE dari wavelet adalah 8,36 sedangkan ANFIS Optimal 8,82

namun perbedaan nilainya tidak signifikan. Dari hasil tersebut maka ANFIS optimal dapat digunakan

sebagai pendukung pengambilan keputusan pada sistem pendeteksian dini bencana banjir. Untuk

pengembangan lebih lanjut dapat dilakukan dengan menambahkan variable lain seperti kelembaban

udara, suhu, intensitas cahaya, dsb.Dapat pula dilakukan penelitian untuk rentang waktu yang lebih

pendek misalnya per jam.Pengembangannya dapat pulah diarahkan dengan menggunakan metode

peramalan yang berbeda misalnya AFRIMA, SARIMA, dll.

DAFTAR PUSTAKA

Action Contre la Faim – Indonesia Mission. (2010). Early Warning System, Sistem Peringatan Dini Banjir: Dokumentasi Pengembangan EWS bersama Masyarakat.

Firdaus, M. (2006).Seri Metode Kuantitatif: Analisis Deret Waktu Satu Ragam (ARIMA – SARIMA – ARCH GARCH). IPB Press: Bogor.

Kusumadewi, Sri dan Sri Hartati. (2010). NEURO-FUZZY: Integrasi Sistem Fuzzy & Jaringan Syaraf. Graha Ilmu: Yogyakarta.

Nainggolan, Jannus M. (Tanpa Tahun). Trnsformasi Wavelet Diskrit (Discrete Wavelet Transforms): Teori dan Penerapan pada Sistem Daya. Universitas Lampung.

Otok, B.W., dan Suhartono. (2009). Development of Rainfall Forecasting Model in Indonesia by using ASTAR, Transfer Function, and ARIMA Methods.Euro Journal.Vol.38 No.3 (2009), pp.386-395.

Sonjaya, Irman, dkk. (2009). Uji Aplikasi HyBMG Versi 2.0 untuk Prakiraan Curah Hujan Pola Monsunal Ekuatorial dan Lokal.Buletin Meteorologi dan Geofisika Vol. 5 No. 3 September 2009 Hal.323-339.

Suprapto.(2011). Statistik Pemodelan Bencana Banjir Indonesia (Kejadian 2002-2010), Jurnal Penanggulangan Bencana Vol. 2 No. 2 Oktober 2011 Hal.34-43.

Zainuddin, Zahir. (2009). Pengembangan Prototipe Sistem Jaringan Sensor Hidrometeorologi Nirkabel dan Model Hidrodynamic Berbasis GIS untuk Peringatan Dini Bencana Banjir: Studi Kasus Kabupaten Sinjai. Laporan Penelitian Strategi Nasional.

Zainuddin, Zahir, dkk. (2012). Integrasi Sistem Informasi Jaringan Sensor Hidrologi Nirkabel dan Model Hidrodinamik Berbasis GIS untuk Peringatan Dini Bencana Banjir.Ristek.

Gambar 1.Hasil Peramalan Tahap I

Tabel 1. Ringkasan Hasil Peramalan

Hasil Peramalan Tahap I ARIMA ANFIS WNN

MAE 10,55 7,81 6,35 MSE 605,14 361,43 266,19 MAPE 1526,49 131,99 33,78 Keakuratan < 1 mm 47,67% 3,6% 55,34% Keakuratan < 5 mm 61,37% 69,3% 67,95% Keakuratan >10 mm 27,4% 20,5% 20,27% Keakuratan >50 mm 4,38% 1,6% 1,92 % Hasil Peramalan Tahap II

WAVELET ANFIS ANFIS OPT Max Error 300,17 233,18 178,50 Min Error 0,00 0,07 0,00 MAE 8,36 11,06 8,82 MSE 545,31 420,61 366,05