PREDIKSI CURAH HUJAN DI WILAYAH MAKASSAR MENGGUNAKAN METODE

SUPPORT VECTOR MACHINE (SVM)

Syafruddin Syarief, Indrabayu Amirullah, Nurul Ilma Sukardi, Merlien Saputri.S

Jurusan Elektro Fakultas Teknik

Universitas Hasanuddin

Email : nurulilmasukardi@yahoo.co.id,

ABSTRACT

In this thesis research to predict daily rainfall in area of Makassar. Rain problem in
Indonesia increasingly complex due to climate shifts that result in high intensity rainfall in the
dry season so it is very influential on the development of communication systems.
Daily data obtained from the Meteorology, Climatology, and Geophysics, selected five
parameters, namely temperature, solar radiation, air pressure, humidity, and wind to predict
using the Support Vector Machine. The results of Support Vector Machine prediction method is
then compared with the prediction method Neural Network-Fuzzy Logic and Neural Network-
Wavelet.

The results of the accuracy of rainfall between the three methods, the SVM method in
2009 reached 76.98%, the Neural Network-Fuzzy Logic reaches 72.87%[2] and Neural Network-
Wavelet method reaches 64.65%[3]. Can be concluded that the method of Support Vector
Machine is better than predictions using Neural Network-Fuzzy Logic and Neural Network-
Wavelet.

Key words: Support Vector Machine; prediction of rainfall; Neural Network

 PENDAHULUAN
LATAR BELAKANG
Hujan adalah salah satu penyebab dari
bencana alam yang sekarang ini melanda di
berbagai wilayah di Indonesia. Tingkat curah
hujan yang belakangan ini meningkat,
mengakibatkan banjir dan tanah longsor. Banjir
dan tanah longsor tersebut membawa dampak
buruk untuk masyarakat seperti timbulnya
wabah penyakit (demam berdarah dan iritasi
kulit), kekurangan air bersih dan kerugian
materil.
Untuk di wilayah Makassar, kondisi cuaca
sulit ditebak. Terkadang pada siang hari cuaca
sangat terik, berselang beberapa jam kemudian
cuaca menjadi mendung dan pada akhirnya
terjadi hujan lebat. Kondisi cuaca yang tidak
menentu belakangan ini mungkin dikarenakan
oleh kondisi alam yang semakin memburuk.
Dengan melihat kondisi inilah, penulis
menyusun tugas akhir ini dengan harapan dapat
memberikan referensi baru khususnya metode
baru untuk memprediksi curah hujan. Hasil dari
tugas akhir ini diharapkan dapat memberikan
informasi yang akurat yang berguna bagi
masyarakat untuk mengetahui kondisi curah
hujan di wilayah Makassar.
Pada tugas akhir ini, penulis mencoba
melakukan penelitian dengan menggunakan data
– data klimatologi untuk tahun 2001 sampai
2010 yang diperoleh dari Badan Meteorologi,
Klimatologi dan Geofisika (BMKG) wilayah IV
Makassar. Pada tugas akhir ini, penulis mencoba
menggunakan metode yang berbeda untuk
proses prediksi curah hujan. Metode tersebut
yaitu metode Support Vector Machine (SVM)
yang merupakan metode yang secara teori
memiliki keunggulan generalisasi yang lebih
baik dibandingkan dengan metode Neural
Network[1] . Metode SVM secara teori dapat
mencapai keakuratan sampai 90%, jika
dibandingkan dengan hasil prediksi curah hujan
dari metode Neural Network - Fuzzy Logic yang
hanya mencapai keakuratan sebesar 72.88%[2]
dan hasil prediksi curah hujan dari metode
Neural Network - Wavelet yang hanya mencapai
keakuratan sebesar 64.66%[3], oleh karena itu
metode SVM diharapkan dapat memberikan hasil
prediksi yang lebih baik dibandingkan dengan Wavelet dan metode SVM untuk

dua metode lainnya. mengetahui yang mana dari ketiga metode

tersebut memiliki tingkat keakuratan yang

RUMUSAN MASALAH
3. lebih tinggi sehingga layak digunakan
Dari uraian diatas, ada beberapa hal pokok untuk memprediksi hujan di wilayah
yang terkait yaitu : Makassar.
1. Bagaimana merancang sistem prediksi
BATASAN MASALAH
hujan harian di wilayah Makassar
Untuk mencapai tujuan dalam penelitian
menggunakan metode SVM ?
ini, maka penelitian ini dibatasi dengan ruang
2. Bagaimana perbandingan antara metode
lingkup sebagai berikut :
Neural Network, metode Neural Network –

Wavelet dan metode SVM untuk 1. Menggunakan parameter input dan uji yaitu

mengetahui yang mana dari ketiga metode angin,temperatur udara, kelembaban,

tersebut memiliki tingkat keakuratan yang penyinaran matahari, dan tekanan udara.

lebih tinggi sehingga layak digunakan 2. Menggunakan metode SVM.

untuk memprediksi hujan di wilayah 3. Validasi keakuratan yang digunakan adalah

Makassar? persentase dan Root Mean Square Error

TUJUAN (RMSE).

Dari uraian perumusan masalah di atas, 4. Sistem simulasi dirancang dengan

maka tujuan penelitian adalah : menggunakan software weka, java dan

1. Menganalisis perancangan sistem prediksi microsoft excel.

hujan harian di wilayah Makassar 5. Hasil prediksi berupa hasil

menggunakan metode SVM. pengklasifikasian sesuai dengan klasifikasi

2. Menganalisis perbandingan antara metode jenis hujan yang digunakan oleh BMKG.

Neural Network, metode Neural Network –

 TINJAUAN PUSTAKA hujan monsun. Untuk lebih memahami

Indonesia merupakan negara yang keadaan cuaca dan iklim di suatu tempat

memiliki pola curah hujan yang bermacam – serta unsur – unsur yang mempengaruhinya,

macam karena kondisi geografis di setiap akan lebih baik untuk mengetahui terlebih

wilayah di Indonesia berbeda - beda. Kota dahulu teori dasar dari cuaca dan iklim.

Makassar yang menjadi pusat penelitian Dibawah ini akan dibahas teori – teori

dalam tugas akhir ini termasuk dalam pola terkait pembuatan tugas akhir ini.

HUJAN hujan yang digunakan adalah dalam satuan

millimeter (mm).
A. Pengertian Hujan
Curah hujan merupakan ketinggian air
Hujan adalah butiran-butiran air yang
hujan yang terkumpul dalam tempat yang
dicurahkan dari atmosfer turun ke
datar, tidak menguap, tidak meresap, dan
permukaan bumi. Sedangkan garis yang
tidak mengalir. Curah hujan 1 (satu)
menghubungkan tempat-tempat di peta yang
milimeter artinya dalam luasan satu meter
mendapat curah hujan yang sama disebut
persegi pada tempat yang datar tertampung
isohyet.
air setinggi satu milimeter atau tertampung

Untuk dapat terjadinya hujan diperlukan air sebanyak satu liter.

titik-titik kondensasi, amoniak, debu dan Intensitas hujan adalah banyaknya

asam belerang. Titik-titik kondensasi ini curah hujan persatuan jangka waktu tertentu.

mempunyai sifat dapat mengambil uap air Curah hujan yaitu jumlah air hujan yang

dari udara. Satuan curah hujan selalu turun pada suatu daerah dalam waktu

dinyatakan dalam satuan millimeter atau tertentu.

inchi namun untuk di Indonesia satuan curah

CUACA DAN IKLIM  Suhu atau Temperatur Udara

Cuaca adalah keadaan udara pada saat Suhu atau temperatur udara adalah

tertentu dan di wilayah tertentu yang relatif derajat panas dari aktivitas molekul dalam

sempit dan pada jangka waktu yang singkat atmosfer. Alat untuk mengukur suhu atau
[5]
. Di Indonesia keadaan cuaca diumumkan temperatur udara atau derajat panas disebut

untuk jangka waktu sekitar 24 jam melalui Thermometer.

prakiraan cuaca yang dikembangkan oleh

Tekanan Udara
Badan Meteorologi Klimatologi dan
Tekanan udara adalah suatu gaya yang
Geofisika (BMKG), Departemen
timbul akibat adanya berat dari lapisan
Perhubungan.
udara. Besarnya tekanan udara di setiap
Iklim adalah keadaan cuaca rata-rata
tempat pada suatu saat berubah-ubah. Makin
dalam waktu satu tahun yang
tinggi suatu tempat dari permukaan laut,
penyelidikannya dilakukan dalam waktu
makin rendah tekanan udaranya. Hal ini
yang lama (± minimal 30 tahun) dan
disebabkan karena makin berkurangnya
meliputi wilayah yang luas.
udara yang menekan. Besarnya tekanan

udara diukur dengan barometer dan

UNSUR YANG MEMPENGARUHI
dinyatakan dengan milibar (mb).
KEADAAN CUACA DAN IKLIM

Ada beberapa unsur yang  Angin

mempengaruhi keadaan cuaca dan iklim Angin merupakan salah satu unsur

suatu daerah atau wilayah, yaitu: suhu atau cuaca dan iklim. Angin adalah udara yang

temperatur udara, tekanan udara, angin, bergerak dari daerah bertekanan udara tinggi

kelembaban udara, dan curah hujan. ke daerah bertekanan udara rendah.

 Kelembaban Udara hingga penggantian pias berikutnya. Dari

Unsur keempat yang dapat data yang diperoleh dapat ditentukan harga

berpengaruh terhadap cuaca dan iklim di minimum dan harga maksimum. Sedangkan

suatu tempat adalah kelembaban udara. alat yang bersifat non recording adalah alat-

Kelembaban udara adalah banyaknya uap air alat yang harus dibaca pada saat-saat

yang terkandung dalam massa udara pada tertentu untuk memperoleh data. Alat ini

saat dan tempat tertentu. Alat untuk tidak dapat mencatat sendiri .

mengukur kelembaban udara disebut Ditinjau dari segi penggunaannya alat

psychrometer atau hygrometer. meteorologi untuk pengamatan rutin dapat

Curah Hujan dibagi menjadi dua jenis yaitu[7]:

Curah hujan adalah jumlah air hujan 1. Alat meteorologi yang dipakai

yang turun pada suatu daerah dalam waktu dipermukaan bumi. Jenis alat ini

tertentu. Alat untuk mengukur banyaknya umumnya terdapat pada stasiun

curah hujan disebut Rain Gauge. meteorologi sinoptic, meteorologi

pertanian, Klimatologi dan maritim,

JENIS-JENIS ALAT METEOROLOGI misalnya barometer, anemometer,

DAN KLIMATOLOGI anemograf dan lain-lain.

Ditinjau dari cara pembacaannya, alat- 2. Alat meteorologi yang dipakai untuk

alat meteorologi dibagi menjadi dua jenis pengamatan lapisan udara atas. Alat ini

yaitu bersifat recording dan non recording. umumnya terdapat pada stasiun

Alat yang bersifat recording adalah alat meteorologi sinoptic dan penerbangan,

yang dapat mencatat data dengan sendirinya yang memerlukan pengamatan aerologic.

secara terus menerus sejak pemasangan pias

SUPPORT VECTOR MACHINE Linearly Separable Data

Support Vector Machine (SVM)

bertujuan untuk menemukan fungsi pemisah

(classifier/ hyperplane) terbaik untuk

memisahkan dua buah class pada input

Gambar 2.2 SVM berusaha menemukan
space. Hyperplane terbaik antara kedua
hyperplane terbaik yang memisahkan kedua
class dapat ditemukan dengan mengukur
class -1 dan +1[8].
margin hyperplane tersebut dan mencari

titik maksimalnya. Hyperplane dalam ruang

Linearly separable data merupakan
berdimensi d adalah affine subspace
data yang dapat dipisahkan secara linear.
berdimensi d-1 yang membagi ruang vector
Misalkan {x1,…,xn} adalah dataset dan
tersebut ke dalam dua bagian yang masing-
adalah label kelas dari data xi. Pada Gambar
masing berkorespondensi pada class yang
3 garis tebal menunjukkan hyperplane yang
berbeda[8].
terbaik, yaitu yang terletak tepat pada
Dua kondisi yang dapat diselesaikan
tengah-tengah kedua class. Titik yang
oleh SVM yaitu kondisi yang dapat
berada dalam lingkaran adalah support
dipisahkan secara linear (linearly separable
vector. Usaha untuk mencari lokasi
data) dan kondisi yang tidak dapat
hyperplane ini merupakan inti dari proses
dipisahkan secara linear.
pembelajaran (training) pada SVM.
WAIKATO ENVIRONMENT FOR B. Algoritma Pemodelan / Classifier

KNOWLEDGE ANALYSIS Weka saat ini sudah cukup banyak

mendukung algoritma untuk pemodelan data

A. Penjelasan Umum
atau biasa disebut classifier, diantaranya
Weka adalah aplikasi data mining
adalah sebagai berikut :
berbasis Java. Aplikasi ini dikembangkan

pertama kali oleh Universitas Waikato di  J48, atau kloning versi open source dari
Selandia Baru sebelum menjadi bagian dari algoritma C4.5 yang dapat digunakan
Pentaho. Weka terdiri dari koleksi algoritma untuk pembentukan pohon keputusan
machine learning yang dapat digunakan (decision tree).
untuk melakukan generalisasi / formulasi  Linear Regression, algoritma untuk
dari sekumpulan data sampling. Walaupun menghasilkan formulasi numerik dengan
kekuatan Weka terletak pada algoritma yang metode statistik regresi linear
makin lengkap dan canggih, kesuksesan data  Naive Bayes, salah satu classifier
mining tetap terletak pada faktor numeric
pengetahuan manusia implementornya.  Sequential Minimal Optimization (SMO)
Tugas pengumpulan data yang berkualitas adalah algoritma SVM yang digunakan
tinggi dan pengetahuan pemodelan dan dalam teknik klasifikasi maupun regresi.
penggunaan algoritma yang tepat diperlukan

untuk menjamin keakuratan formulasi yang

diharapkan[9].
 PREDIKSI CURAH HUJAN DENGAN

METODE SUPPORT VECTOR

MACHINE

Pada bab ini akan dibahas tentang

bagaimana tahapan dalam proses prediksi

hujan dengan metode SVM, dari tahap awal

yaitu pengambilan data BMKG sampai pada

tahap akhir yaitu analisa hasil prediksi.

Sistem prediksi yang dilakukan adalah

sistem prediksi harian dengan mengambil

data harian dari lima unsur yang

mempengaruhi curah hujan. Adapun penjelasan dari alur penelitian

diatas,yaitu :
ALUR PENELITIAN
Studi Pustaka

Alur penelitian adalah tahapan -

Pencarian dan pengumpulan literatur serta
tahapan yang akan dilalui pada proses kajian yang berkaitan dengan rumusan masalah

penelitian tugas akhir ini. Tahapan - tahapan yang ada pada tugas akhir ini, baik berupa

tersebut tentunya harus dilalui satu per satu artikel,buku referensi, bahan kuliah, maupun

sampai tahapan terakhir untuk mendapatkan sumber-sumber lain yang berhubungan dengan

hasil akhir yang berupa target dari tugas tugas akhir ini.

akhir ini. Adapun tahapan - tahapan tersebut Pengambilan Data

dapat dilihat pada gambar alur penelitan Data yang dimaksudkan adalah data –

berikut : data yang diperoleh dari BMKG Wilayah IV

Makassar yang diukur dan direkam oleh BMKG

Bandara Hasanuddin-Makassar. Dari data yang – data tersebut kemudian dikelompokkan

diperoleh terdapat enam unsur cuaca, yaitu berdasarkan bulan dan kemudian disimpan

angin, penyinaran matahari, temperatur, tekanan dalam format csv. Data dalam format csv

udara, kelembaban, dan curah hujan. Data-data kemudian diinputkan ke program Weka agar

inilah yang digunakan sebagai input dari metode data tersebut dapat disimpan kembali dalam

ini. format yang berbeda yaitu format arff yang

Pengolahan Data nantinya format data inilah yang digunakan pada

Data – data inputan yang diperolah dari proses selanjutnya.

BMKG Wilayah Makassar kemudian diolah

Proses Prediksi
sesuai dengan format data masukan pada

program yang digunakan yaitu program Weka. Proses prediksi yang dimaksud adalah

Target yang diharapkan pada penelitian ini keseluruhan proses yang akan dilakukan sampai

adalah hasil prediksi curah hujan Tahun 2009 akhirnya dihasilkan data prediksi yang

dan 2010. Untuk memprediksi curah hujan diinginkan. Proses prediksi terdiri atas 2 tahapan

Tahun 2009 digunakan data training Tahun yaitu proses prediksi dengan metode Support

2003-2008 sedangkan untuk memprediksi curah Vector Machine pada Weka dan proses

hujan Tahun 2010 digunakan data training menampilkan hasil prediksi pada program Java.

Tahun 2003-2009. Pada penelitian ini data –

data yang digunakan untuk pembelajaran adalah Validasi Hasil Prediksi dengan Data Aktual

data yang diperoleh dari BMKG yang BMKG

didalamnya terdapat enam unsur cuaca yaitu Hasil prediksi yang ditampilkan pada

angin, penyinaran matahari, temperatur, tekanan program Java dibandingkan dengan data aktual

udara, kelembaban, dan curah hujan. Akan tetapi dari BMKG, proses inilah yang disebut dengan

pada penelitian ini hanya lima unsur yang validasi. Dari proses ini dapat diketahui

digunakan yaitu , penyinaran matahari, bagaimana kinerja dari proses prediksi yang

temperatur, tekanan udara dan kelembaban. Data telah dilakukan sebelumnya.

Analisa dan Pembuatan Laporan Adapun penjelasan dari gambar

diatas, yaitu :
Setelah mendapatkan nilai akurasi dan

nilai RMSE, dapat dianalisa dari akurasi dan

Menjalankan Program Weka
nilai RMSE tersebut faktor - faktor yang
Weka adalah singkatan dari Waikato
mempengaruhi tinggi rendahnya kedua nilai

tersebut. Tahapan terakhir yaitu pembuatan Environment For Knowledge Analysis yang

laporan sebagai bukti dokumentasi dari merupakan program yang digunakan pada

penelitian ini. penelitian ini. Langkah awal dari proses

pemodelan yaitu menjalankan program

PROSES PREDIKSI PADA WEKA
Weka dan memilih salah satu dari aplikasi
Adapun proses prediksi tersebut dapat
dari Weka yaitu Explorer.
dilihat pada flow chart berikut :
Mulai Input Data

Menjalankan Program Weka Data yang dimaksudkan disini adalah

data dalam format arff yang telah diolah

Input Data

sebelumnya. Data tersebut yang kemudian

Pilih Classifier pada Weka
diinputkan pada Weka.
Pilih SMO pada Weka
Pilih Classifier pada Weka
Pilih Metode Pengujian Data

Classifier adalah algoritma pemodelan

Output Pengujian
data pada Weka yang medukung kinerja dari

metode SVM.
RMSE kecil &

Keakuratan tinggi

Save model

Selesai
Pilih SMO pada Weka RMSE Kecil dan Keakuratan Tinggi

Sequential Minimal Optimization Dari hasil pengujian sebelumnya dapat

(SMO) adalah salah satu bentuk dari dianalisa tingkat keakuratan dan RMSE

algoritma pemodelan data, pada program yang dihasilkan apakah sesuai dengan yang

Weka SMO ini digunakan sebagai algoritma diharapkan. Artinya untuk tingkat

pemodelan untuk metode SVM . keakuratan yang diharapkan tentu saja yang

paling tinggi dari tingkat keakuratan data

Pilih Metode Pengujian Data
masukan lainnya dan untuk RMSE yang

Metode pengujian data pada Weka diharapkan tentu saja RMSE terkecil yang

terdiri atas empat metode yaitu use training dari data masukan lainnya. Jika hasil

set, supplied test set, cross validation dan pengujian tidak sesuai, maka kembali pada

percentage split. Pada dasarnya keempat proses penginputan data lainnya. Jika hasil

metode pengujian ini menghasilkan hasil pengujian sesuai dengan yang diharapkan

pengujian yang sama, akan tetapi pada maka proses dapat berlanjut ke tahapan

penelitian ini digunakan metode pengujian selanjutnya.

supplied test set.

Save Model

Output Pengujian
Tahapan ini merupakan tahap akhir

Output atau hasil pengujian yaitu dari proses pemodelan, setelah proses

berupa tingkat keakuratan dan RMSE dari pengujian sebelumnya dan diperoleh hasil

hasil pembelajaran data training. yang sesuai sengan target maka pemodelan

tersebut dapat disimpan dengan klik kanan

pada menu Result List tepat pada run-time

atau waktu yang dibutuhkan untuk Menjalankan Program Prediksi

melakukan pengujian.
Program prediksi disini adalah

PROSES MENAMPILKAN HASIL program yang telah dibuat untuk

PREDIKSI menampilkan hasil prediksi berupa hasil

klasifikasian.
Proses menampilkan hasil prediksi

dengan metode SVM pada tugas akhir ini Input Data Pemodelan

menggunakan program Java API. Program Memasukan data pemodelan yang

yang dimaksudkan adalah program yang disimpan sebelumnya yang merupakan hasil
dapat digunakan untuk menampilkan hasil
akhir dari proses pemodelan data training.
prediksi berupa hasil pengklasifikasian jenis
Input Data Real
hujan yang sesuai dengan klasifikasi dari

BMKG. Berikut ini akan diperlihatkan Memasukkan data aktual BMKG

langkah prediksi pada program prediksi : sesuai dengan bulan yang akan diprediksi

agar lebih mudah membandingkannya

dengan hasil prediksi.

Output Data Prediksi

Setelah mengklik tombol predict pada

program, maka hasil prediksi akan

ditampilkan pada kolom paling kanan.

Adapun penjelasan dari gambar diatas

yaitu :
 ANALISA DAN PEMBAHASAN PENUTUP

Tabel.1 Perbandingan Keakuratan 3 Metode KESIMPULAN

KEAKURATAN BULAN JANUARI TAHUN

Dari penelitian yang telah dilakukan
TAHUN 2009
SVM FL-NN W-NN dalam prediksi hujan di wilayah Makassar
2009 41.94% 32.26% 32.26%
dengan menggunakan metode Support

Vector Machine, dapat disimpulkan bahwa :

Tabel.2 Perbandingan Nilai RMSE 3
Metode 1. Proses prediksi curah hujan dengan

RMSE Tahun 2009 RMSE Tahun 2010

metode Support Vector Machine terdiri
NN- NN- NN- NN-
BULAN SVM SVM
FUZZY Wavelet FUZZY Wavelet
januari 0.3759
0.3219
0.3484
0.3251 dari beberapa tahapan yaitu pengolahan
0.2404 0.2740
0.3036 0.4457
februari 0.3759 0.3556
0.2583 0.2955 data masukan, pemodelan data training
0.5069 0.3627
maret 0.3321 0.338
0.2304 0.3436
0.2745 0.4492
april 0.3575
0.2439
0.3742
0.2961 pada Weka dan proses prediksi pada
0.2709 0.4273
mei 0.3523 0.3844
0.2444 0.3068
juni 0.3206
0.2402
0.3742
0.3021 program prediksi yang telah dibuat di
0.1997 0.2774
0.3412 0.2102
juli 0.2540 0.4572
0.5202 0.1900
0 0.3762
Java API.
agustus 0.4888
0 0 0.5934
0.2388 0.2406
september 0.3333
0.1905
0.4586
0.2103 2. Berdasarkan perhitungan persentase
0.4801 0.3014
oktober 0.3245 0.3672
0.2549 0.2853
november 0.3416
0.2764
0.3812
0.2743 keakuratan, prediksi curah hujan dengan
0.1798 0.2617
0.4238 0.3731
desember 0.3672 0.3634
0.2992 0.2762 metode Support Vector Machine lebih

baik dibandingkan dengan prediksi curah

Tabel.3 Perbandingan Keakuratan Tahun
2009 dan Tahun 2010 dari 3 Metode hujan dengan metode Fuzzy Logic-

Neural Network dan Wavelet-Neural

Metode
NO Tahun Network untuk bulan Januari tahun 2009
SVM FL-NN W-NN
1 2009 76.986% 72.88% 64.66% dan prediksi curah hujan untuk tahun
2 2010 62.192% 55.34% 58.08%
2009 dan 2010 .
3. Validasi curah hujan tahun 2009 dengan DAFTAR PUSTAKA

metode Support Vector Machine

[1] Anto Satriyo Nugroho, Arief Budi
mencapai 76.99%.
Witarto, Dwi Handoko. “Support
4. Validasi curah hujan 2010 dengan
Vector Machine, Teori dan Aplikasi
metode Support Vector Machine
Bioinformatika”.Bahan kuliah.2003
mencapai 62.19%.
[2] Febriyati dan Fikha Christine.
5. Perhitungan RMSE dan persentase
“Prediksi Curah Hujan Di Wilayah
keakuratan dari proses prediksi curah
Makassar Dengan Menggunakan
hujan dengan metode Support Vector
Metode Fuzzy Logic-Neural Network
Machine pada tahun 2009 lebih baik
”. Jurusan Teknik Elektro Unhas,
dibandingkan dengan RMSE dan
Tugas Akhir.2011
persentase keakuratan pada tahun 2010.
[3] Erna Rahmadaniah dan Yusita Octavia
SARAN
Kadang. “Prediksi Curah Hujan Di
Dalam penelitian ini masih perlu
Wilayah Makassar Dengan
dilakukan pengembangan karena hasil
Menggunakan Metode Wavelet-
prediksi yang dihasilkan hanya berupa hasil
Neural Network ”. Jurusan Teknik
klasifikasi jenis hujan berdasarkan
Elektro Unhas, Tugas Akhir.2011
klasifikasi jenis hujan dari BMKG sehingga
[4] Muammar dan Lin Parenggo.
diharapkan nantinya hasil prediksi yang
“Prediksi Hujan Di Wilayah
dihasilkan dapat berupa angka kuantitatif.
Makassar Dengan Menggunakan

Metode Logika Fuzzy”. Jurusan

Teknik Elektro Unhas, Tugas

Akhir.2010
[5] Tutun Juhana. “Dasar Komunikasi

Digital”. 14 Desember 2007

[6] Drs. Sarjani . “Cuaca dan Iklim”.

Jakarta. 2005

[7] Dra.Susilawati,M.Pd. “Pokok-Pokok

Klimatologi”. Bandung. 2010

Nurul Ilma Sukardi was born in Ujung

[8] Windu Purnomo. “Klasifikasi Sidik
Jari Menggunakan Support Vector
Machine Dengan Featur Berbasis
Minutiae Menggunakan Metode
Region ”. Departemen Ilmu Komputer
Pandang, South Sulawesi Province,
Indonesia, on November 25th 1989. She was
graduated from Sandhy Putra 2 Makassar
Vocational High School Sub Program
Transmission Engineering in 2008. She
entered on Hasanuddin University in 2008
through the UMB Test.

IPB, Tugas Akhir.2011

[9] http://pentaho.phi-

integration.com/weka. Diakses pada

tanggal 11 Februari 2012

[10] Djati Kerami dan Hendri Murfi.

“Kajian Kemampuan Generalisasi Merilen Saputri.S was born in Sengkang,

Support Vector Machine dalam
Pengenalan Jenis Splice Sites pada
Barisan DNA. Departemen
Matematika, FMIPA, Universitas
Indonesia.2004
South Sulawesi Province, Indonesia, on
April 11th 1990. She was graduated from
Sandhy Putra 2 Makassar Vocational High
School Sub Program Transmission
Engineering in 2008. She entered on
Hasanuddin University in 2008 through the
PMS Test.