PREDIKSI CURAH HUJAN DI JAWA BARAT DENGAN MENGGUNAKAN METODE ENSEMBLE KALMAN FILTER PADA MODEL GSTAR-SUR

Rifka Anisa, - (2022) PREDIKSI CURAH HUJAN DI JAWA BARAT DENGAN MENGGUNAKAN METODE ENSEMBLE KALMAN FILTER PADA MODEL GSTAR-SUR. S1 thesis, Universitas Pendidikan Indonesia.

Preview	Text S_MAT_1800782_Title.pdf Download (405kB) | Preview
Preview	Text S_MAT_1800782_Chapter1.pdf Download (163kB) | Preview
	Text S_MAT_1800782_Chapter2.pdf Restricted to Staf Perpustakaan Download (392kB)
Preview	Text S_MAT_1800782_Chapter3.pdf Download (196kB) | Preview
	Text S_MAT_1800782_Chapter4.pdf Restricted to Staf Perpustakaan Download (448kB)
Preview	Text S_MAT_1800782_Chapter5.pdf Download (164kB) | Preview
	Text S_MAT_1800782_Appendix.pdf Restricted to Staf Perpustakaan Download (394kB)

Abstract

Ensemble Kalman Filter (EnKF) merupakan metode estimasi modifikasi dari Kalman Filter yang dapat digunakan untuk mengestimasi model sistem linear ataupun nonlinear. Metode EnKF dijalankan dengan membangkitkan sejumlah ensemble yang merupakan representasi dari variable state (keadaan). Pada penelitian ini, metode EnKF diterapkan pada model GSTAR-SUR yang bertujuan untuk meminimalkan error yang sudah didapatkan sebelumnya. Data yang digunakan adalah data curah hujan bulanan dari empat stasiun pengamatan di Jawa Barat. Tujuan dari penelitian ini adalah untuk mengetahui model GSTAR-SUR dengan menggunakan metode EnKF, dan mengetahui hasil prediksi curah hujan di Jawa Barat dengan metode EnKF. Untuk melihat akurasi dari masing-masing model, dilakukan perbandingan dengan cara menggunakan nilai Root Mean Square Error (RMSE) pada data out-sample. Model yang memiliki nilai RMSE terkecil, dipilih sebagai model terbaik. Model GSTAR-SUR terbaik yang terbentuk untuk prediksi curah hujan di Jawa Barat dengan menggunakan metode EnKF adalah GSTAR-SUR (2_1)-I(1). Selanjutnya akan dilakukan simulasi dengan menerapkan metode EnKF dengan mencoba beberapa N_ε ensemble, yaitu 200, 300, 400, dan 500. Hasil prediksi curah hujan dengan menggunakan metode EnKF pada model GSTAR-SUR memiliki hasil prediksi yang lebih baik, karena memiliki nilai RMSE yang lebih kecil dibandingkan dengan model GSTAR-SUR. Hal ini menunjukkan bahwa model GSTAR-SUR yang diestimasi dengan menggunakan EnKF mampu memperbaiki hasil prediksi dari model GSTAR-SUR. Ensemble Kalman Filter (EnKF) is a modified estimation method of Kalman Filter that can be used to estimate linear or nonlinear system models. The EnKF method is executed by generating a number of ensembles that are representations of state variables. In this study, the EnKF method was applied to the GSTAR-SUR model which aims to minimize errors that have been obtained previously. The data used are monthly rainfall data from four observation stations in West Java. The purpose of this study is to find out the GSTAR-SUR model using the EnKF method, and find out the results of rainfall predictions in West Java using the EnKF method. To see the accuracy of each model, a comparison is made by using the Root Mean Square Error (RMSE) value in the out-sample data. The model that has the smallest RMSE value, is chosen as the best model. The best GSTAR-SUR model formed for rainfall prediction in West Java using the EnKF method is GSTAR-SUR (2_1)-I(1). Furthermore, simulation will be carried out by applying the EnKF method by trying several N_ε ensembles (200, 300, 400, and 500). The results of rainfall prediction using the EnKF method on the GSTAR-SUR model have better prediction results, because they have a smaller RMSE value compared to the GSTAR-SUR model. This shows that the GSTAR-SUR model estimated using EnKF is able to improve the predictive results of the GSTAR-SUR model.

Item Type:	Thesis (S1)
Uncontrolled Keywords:	Rainfall, Prediction, GSTAR, GSTAR-SUR, Ensemble Kalman Filter (EnKF).
Subjects:	L Education > L Education (General) Q Science > QA Mathematics
Divisions:	Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam > Jurusan Pendidikan Matematika > Program Studi Matematika (non kependidikan)
Depositing User:	Rifka Anisa
Date Deposited:	06 Sep 2022 03:18
Last Modified:	06 Sep 2022 03:18
URI:	http://repository.upi.edu/id/eprint/77712

Actions (login required)

View Item