PENDEKATAN DATA MINING UNTUK ANALISA CURAH HUJAN MENGGUNAKAN METODE REGRESI LINEAR BERGANDA (STUDI KASUS: KABUPATEN ACEH UTARA)

Maya Maulita; Nurdin Nurdin

doi:10.36080/idealis.v6i2.3034

Maya Maulita Magister Teknologi Informasi, Fakultas Teknik, Universitas Malikussaleh
Nurdin Nurdin Magister Teknologi Informasi, Fakultas Teknik, Universitas Malikussaleh

DOI: https://doi.org/10.36080/idealis.v6i2.3034

Keywords: Curah Hujan, Data Mining, Kabupaten Aceh Utara, Regresi Linear Berganda

Abstract

Cuaca menjadi salah satu faktor penentu dalam melakukan suatu aktivitas. Adanya prakiraan cuaca yang memanfaatkan teknologi terkini akan menghasilkan prakiraan cuaca yang tepat dan hasilnya akan mempengaruhi berbagai sektor seperti bahari, pertanian, transportasi dan lainnya. Untuk memperkirakan cuaca dapat digunakan salah satu teknik dalam data mining yaitu regresi linear berganda. Adanya penelitian ini akibat cuaca yang tidak menentu di Kabupaten Aceh Utara, dengan dilakukannya analisis untuk mengetahui perubahan dari pola hujan, maka di waktu yang akan datang masyarakat dapat melakukan persiapan guna menyambut musim hujan kedepannya. Dalam melakukan penelitian ini terdapat empat parameter atau variabel yang digunakan antara lain temperatur atau suhu, kelembapan, lama penerangan matahari dan kecepatan angin. Data yang digunakan dihimpun dari website BMKG yang bersumber dari Stasiun Meteorologi Malikussaleh untuk Kabupaten Aceh Utara dengan rentang waktu Januari 2020-Januari 2023. Berdasarkan hasil yang didapatkan dari analisis menggunakan metode regresi linear berganda mengindikasikan parameter atau variabel kelembapan berpengaruh positif serta signifikan pada curah hujan, variabel temperature tidak berpengaruh pada curah hujan, variabel lama penerangan matahari tidak berpengaruh pada curah hujan dan variabel kecepatan angin berpengaruh negatif. Pada uji F didapatkan hasil bahwa temperature, kelembapan, lama penerangan matahari serta kecepatan angin secara bersamaan berpengaruh secara positif serta signifikan pada curah hujan. Nilai Fhitung = 13.531 > Ftabel 3.849 dengan nilai signifikan = 0,000. Nilai Root Mean Square Error (RMSE) sebesar 0.009.

Downloads

Download data is not yet available.

References

[1] M. F. Naufal, “Analisis Perbandingan Algoritma SVM, KNN, dan CNN untuk Klasifikasi Citra Cuaca,” J. Teknol. Inf. dan Ilmu Komput., vol. 8, no. 2, p. 311, 2021, doi: 10.25126/jtiik.2021824553.
[2] R. Normelia, T. Dewi, E. Prihana, and E. Widoso, “Jurnal Ilmiah Matematika curah hujan ( studi kasus : Stasiun Geofisika Sleman ) Application of Multiple Linear Regression method to estimate rainfall ( case study : Sleman Geophysics Station ),” vol. 9, no. 1, pp. 8–18, 2022.
[3] A. Luthfiarta, A. Febriyanto, H. Lestiawan, and W. Wicaksono, “Analisa Prakiraan Cuaca dengan Parameter Suhu, Kelembaban, Tekanan Udara, dan Kecepatan Angin Menggunakan Regresi Linear Berganda,” JOINS (Journal Inf. Syst., vol. 5, no. 1, pp. 10–17, 2020, doi: 10.33633/joins.v5i1.2760.
[4] E. Dewi, S. Mulyani, I. Septianingrum, N. Nurjanah, and R. Rahmawati, “Prediksi Curah Hujan Di Kabupaten Majalengka Dengan Menggunakan Algoritma Regresi,” e-Jurnal JUSITI (Jurnal Sist. Inf. dan Teknol. Informasi), vol. 8–1, no. 1, pp. 67–77, 2019, doi: 10.36774/jusiti.v8i1.602.
[5] M. Y. R. Rangkuti, M. V. Alfansyuri, and W. Gunawan, “Penerapan Algoritma K-Nearest Neighbor (Knn) Dalam Memprediksi Dan Menghitung Tingkat Akurasi Data Cuaca Di Indonesia,” Hexag. J. Tek. dan Sains, vol. 2, no. 2, pp. 11–16, 2021, doi: 10.36761/hexagon.v2i2.1082.
[6] S. S. Purwandari, M. Bettiza, and A. Uperiati, “Penerapan Algoritma Apriori Untuk Menemukan Hubungan Antara Faktor Cuaca Dan Curah Hujan (Studi Kasus: Kota Tanjungpinang),” vol. 2, no. 2020, pp. 178–183, 2022.
[7] M. Yusuf, A. Setyanto, and K. Aryasa, “Analisis Prediksi Curah Hujan Bulanan Wilayah Kota Sorong Menggunakan Metode Multiple Regression,” J. Sains Komput. Inform. (J-SAKTI, vol. 6, no. 1, pp. 405–417, 2022.
[8] N. Anusha, M. Sai Chaithanya, and G. Jithendranath Reddy, “Weather Prediction Using Multi Linear Regression Algorithm,” IOP Conf. Ser. Mater. Sci. Eng., vol. 590, no. 1, 2019, doi: 10.1088/1757-899X/590/1/012034.
[9] F. Q. Kareem, A. M. Abdulazeez, and D. A. Hasan, “Predicting Weather Forecasting State Based on Data Mining Classification Algorithms,” Asian J. Res. Comput. Sci., no. June, pp. 13–24, 2021, doi: 10.9734/ajrcos/2021/v9i330222.
[10] N. Anusha, P. Radhika Priyanka, and P. Sai Harini, “Segmentation of multi-temporal images using Gaussian Mixture Model (GMM),” ARPN J. Eng. Appl. Sci., vol. 13, no. 16, pp. 4633–4640, 2018.
[11] A. M. H. Pardede et al., “Application of Data Mining Prediction of Electricity Deviation Flow Using Metode Backpropogation at PLN Binjai Area,” J. Phys. Conf. Ser., vol. 1363, no. 1, 2019, doi: 10.1088/1742-6596/1363/1/012067.
[12] I. Jhonson, A. Saragih, I. Rumahorbo, and R. Yudistira, “Prediksi Curah Hujan Bulanan Di Deli Serdang Menggunakan Persamaan Regresi dengan Prediktor Data Suhu dan Kelembapan Udara,” J. Meteorol. Klimatologi dan Geofis., vol. 7, no. 2, pp. 6–14, 2020.
[13] O. : Soecahyadi, Analisa Statistik Dengan Aplikasi Spss, Edisi Pert., no. April. Jakarta: Universitas Sahid Jakarta, 2019.
[14] N. Nazeriandy, Y. Syahra, and M. Syaifudin, “Penerapan Data Mining Untuk Memprediksi Penggunaan Daya Listrik Pada PT.PLN (Persero) Rayon Medan Selatan Dengan Menggunakan Metode Regresi Linier Berganda,” J. SAINTIKOM (Jurnal Sains Manaj. Inform. dan Komputer), vol. 20, no. 1, p. 20, 2021, doi: 10.53513/jis.v20i1.2431.
[15] N. Nurdin, F. Fajriana, M. Maryana, and A. Zanati, “Information System for Predicting Fisheries Outcomes Using Regression Algorithm Multiple Linear,” J. Informatics Telecommun. Eng., vol. 5, no. 2, pp. 247–258, 2022, doi: 10.31289/jite.v5i2.6023.
[16] P. Dendy, “Data Mining Implementation On Java North Coast Weather Forecast Dataset Using C4.5 Algorithm,” J. Teknol. Pelita Bangsa, vol. 13, no. 3, pp. 139–148, 2022.
[17] S. Andriani, D. M. Akhmad, and F. D. Wihartiko, “Pemodelan Monte Carlo Untuk Prediksi Sifat Hujan Harian,” Comput. J. Comput. Sci. Inf. Syst., vol. 4, no. 2, p. 124, 2020, doi: 10.24912/computatio.v4i2.9697.
[18] P. Pemberdayaanmasyakat, D. Liana, R. Devianti, and F. Munawaroh, “Pengabdian dan PemberdayaanMasyakat,” pp. 81–87, 2022.
[19] A. Hot Iman, F. Ready Permana, G. Putro Wardana, R. Kemmy Rachmansyah, and M. Mega Santoni, “Perbandingan Algoritma Klasifikasi Random Forest dan Extreme Gradient Boosting pada Dataset Cuaca Provinsi DKI Jakarta Tahun 2018,” SeminarNasionalMahasiswaIlmuKomputerdanAplikasinya(SENAMIKA), pp. 593–601, 2022, [Online]. Available: https://katalog.data.go.id/dataset/data-prakiraan-cuaca-wilayah-provinsi-dki-jakarta-tahun-2018.
[20] I. Muhandhis, A. S. Ritonga, and M. H. Murdani, “Implementasi Metode Inferensi Fuzzy Tsukamoto Untuk Memprediksi Curah Hujan Dasarian Di Sumenep,” J. Ilm. Edutic Pendidik. dan Inform., vol. 8, no. 1, pp. 01–10, 2021, doi: 10.21107/edutic.v8i1.8907.
[21] A. Pratiwi et al., “Prediksi Curah Hujan Bulanan Di Wilayah Lombok Barat Menggunakan Principal Component Regression (PCR),” J. Teor. dan Apl. Fis., vol. 08, no. 02, pp. 175–182, 2020, [Online]. Available: http://iridl.ldeo.columbia.edu/.
[22] D. S. O. Panggabean, E. Buulolo, and N. Silalahi, “Penerapan Data Mining Untuk Memprediksi Pemesanan Bibit Pohon Dengan Regresi Linear Berganda,” JURIKOM (Jurnal Ris. Komputer), vol. 7, no. 1, p. 56, 2020, doi: 10.30865/jurikom.v7i1.1947.
[23] G. Mardiatmoko, “PENTINGNYA UJI ASUMSI KLASIK PADA ANALISIS REGRESI LINIER BERGANDA ( STUDI KASUS PENYUSUNAN PERSAMAAN ALLOMETRIK KENARI MUDA [ CANARIUM INDICUM L .]) The Importance of the Classical Assumption Test in Multiple Linear Regression Analysis ( A Case Study of ,” vol. 14, no. 3, pp. 333–342, 2020.
[24] W. S. P. Wiega Pratama, Daffa Brilliant Samodra, Hayuda Altita Perkasa, Andhika Hermawan, Favian Bhagaskara Ramadhan, “Prediksi Pemeliharaan Transformator Distribusi Berbasis Artificial Neural Network,” in SNESTIK, 2023, pp. 112–120, doi: 10.31284/p.snestik.2023.4004.