Hasil Pencarian  ::  Simpan CSV :: Kembali

"Klasifikasi curah hujan sangat membantu masyarakat dan instansi terkait dalam mengambil kebijakan seperti pengelolaan sumber daya air, transportasi, pertanian dan pencegahan bencana. Model yang sudah pernah digunakan dalam melakukan klasifikasi curah hujan yaitu XGBoost, telah terbukti mampu melakukan klasifikasi dengan efektif, namun masih memerlukan tuning pada hyperparameter-nya untuk meningkatkan performa model. Penelitian ini bertujuan untuk merancang metode klasifikasi curah hujan dengan model XGBoost dan menemukan nilai learning rate terbaik untuk klasifikasi curah hujan. Parameter max depth, dan n estimator ditetapkan berdasarkan penelitian yang sudah pernah dilakukan. Model ini dibangun berdasarkan data historis curah hujan selama 3 bulan setiap jam, yang telah dikumpulkan oleh peralatan Automated Weather Observed System (AWOS) di Stasiun Meteorologi Kota Pontianak. Pencarian hyperparameter menggunakan metode coarse to fine, yaitu pencarian kasar ke pencarian halus. Pencarian kasar menggunakan RandomizedSearchCV, sedangkan pencarian halus dengan GridSearchCV. Model dievaluasi dengan metrik Accuracy, precision, recall, dan F1-score. Evaluasi menunjukkan bahwa model memilki metrik evaluasi yang baik dengan persentase diatas 80% untuk setiap kasus pembagian data. Nilai learning rate terbaik dengan akurasi tertinggi yang didapatkan pada model dengan 2040 data set adalah pada kasus klasifikasi biner, yaitu sebesar 0.043 dengan akurasi pada data latih 90.19%.

---

The classification of rainfall is very helpful for the community and related agencies in making policies such as managing water resources, transportation, agriculture, and disaster prevention. The model that has been used to classify rainfall, namely XGBoost, has proven to be able to classify effectively but still requires tuning its hyperparameters to improve model performance. This study aims to design a rainfall classification method using the XGBoost model and find the best learning rate for rainfall classification. The max depth and n estimator parameters are determined based on research that has been done. This model was built based on historical rainfall data for 3 months every hour, which has been collected by the Automated Weather Observed System (AWOS) equipment at the Pontianak City Meteorological Station. The hyperparameter search uses the coarse-to-fine method, which is a coarse-to-fine search. The coarse search uses RandomizedSearchCV, while the fine search uses GridSearchCV. The model is evaluated with Accuracy, precision, recall, and F1-score metrics. The evaluation shows that the model has good evaluation metrics with percentages above 80% for each case of data sharing. The best learning rate value with the highest accuracy obtained in the model with the 2040 dataset is in the binary classification case, which is equal to 0.043 with an accuracy of 90.19% of the training data."

"Curah hujan merupakan unsur iklim yang memiliki keragaman dan fluktuasi yang tinggi di Indonesia. Hal ini membuat curah hujan merupakan unsur iklim yang paling dominan untuk mencirikan iklim di Indonesia. Berdasarkan gerakan udara naik untuk membentuk awan, terdapat tiga tipe hujan yaitu konvektif, orografik, dan gangguan. Pengukuran terhadap curah hujan dapat dilakukan dalam berbagai metode, salah satunya dengan menggunakan pengukuran jarak jauh yaitu radar (Radio Detecting and Ranging). Pada studi ini dilakukan perhitungan radar cuaca dengan menggunakan machine learninguntuk mengkaji keakuratan perhitungan data radar cuaca terhadap estimasi curah hujan di Pulau Biak, Indonesia. Produk dari radar cuaca merupakan data reflektifitas (Z). Penggunaan machine learning ini diterapkan pada data reflektifitas radar cuaca dimana data yang digunakan adalah C-MAX atau Column Maximum. Data curah hujan pada periode Desember 2021 sampai Februari 2022 di Kabupaten Biak diolah menggunakan algoritma yang berbeda, yaitu Decision Tree, Random Forest, Adaptive Boosting, Gradient Boosting Extreme Gradient Boosting. Hasil dari studi ini akan menunjukkan algoritma terbaik yang dapat digunakan untuk memprediksi estimasi curah hujan konvektif di Pulau Biak, Indonesia. Berdasarkan penelitian yang sudah dilakukan, didapatkan hasil R2 pada algoritma Decision Tree sebesar 0,70; Random Forest 0,60; Adaptive Boosting sebesar 0,42; Gradient Boosting sebesar 0,71 dan Extreme Gradient Boosting sebesar 0,73. Hasil analisis menunjukkan bahwa algoritma Extreme Gradient Boosting dapat memberikan estimasi curah hujan paling baik di Pulau Biak, Indonesia.

---

Rainfall is an element of climate with high diversity and fluctuation in Indonesia. This makes rainfall the most dominant climate element to characterize the climate in Indonesia. Based on the movement of rising air to form clouds, there are three types of rain: convective, orographic, and disturbance. Rainfall can be measured in various methods, one of which is by using remote measurement, namely radar (Radio Detecting and Ranging). In this study, weather radar calculations were carried out using machine learning to assess the accuracy of weather radar data calculations on the estimated rainfall value on Biak Island, Indonesia. The product of weather radar is reflectivity (Z) data. The use of machine learning is applied to weather radar reflectivity data where the data used is C-MAX or Column Maximum. Rainfall data from December 2021 to February 2022 in Biak Regency is processed using five different algorithms: Decision Tree, Random Forest, Adaptive Boosting, Gradient Boosting, and Extreme Gradient Boosting. The result of this study will show the best algorithm that can be used to predict convective rainfall estimation in Biak Island, Indonesia. Based on the research that has been done, the R2 results obtained on the Decision Tree algorithm of 0.70; Random Forest 0.60; Adaptive Boosting of 0.42; Gradient Boosting of 0.71 and Extreme Gradient Boosting of 0.73. The analysis shows that the Extreme Gradient Boosting algorithm can estimate the best rainfall in Biak Island, Indonesia."

"Daerah ekuator memiliki curah hujan yang tinggi karena terletak di dekat garis khatulistiwa, dimana matahari menghasilkan energi yang sangat tinggi sepanjang tahun. Ini berdampak pada habitat biologis, siklus air global, dan kehidupan sehari- hari manusia. Informasi curah hujan yang akurat penting untuk mitigasi bencana, pengelolaan sumber daya udara, dan pemodelan iklim. Pengukuran terhadap curah hujan dalapat dilakukan dengan berbagai metode, salah satunya dengan menggunakan metode jarak jauh yaitu radar (Radio Detecting and Ranging). Pada studi ini, dilakukan perhitungan radar cuara dengan menggunakan machine learning untuk mengkaji keakuratan perhitungan data radar cuaca terhadap nilai estimasi curah hujan di Pontianak. Produk dari radar cuaca merupakan data reflektifitas (Z). Penggunaan machine learning ini diterapkan pada data reflektifitas radar cuaca dimana data yang digunakan adalah C-MAX atau Column Maximum. Data curah hujan pada periode Desember 2021 sampai Februari 2022 di Pontianak diolah dengan metode perbandingan menggunakan empat algoritma tree-based machine learning: Decision Tree, Random Forest, Adaptive Boosting, dan Gradient Boosting. Perbandingan ini bertujuan untuk mendapatkan nilai estimasi curah hujan. Algoritma Decision Tree menghasilkan nilai akurasi RMSE sebesar 0,693 dan korelasi R2 sebesar 0,449; Random Forest menghasilkan RMSE 0,642 dan R2 0,527; Adaptive Boosting menghasilkan RMSE sebesar 0,725 dan R2 sebesar 0,395, serta Gradient Boosting menghasilkan RMSE sebesar 0,561 dan R2 sebesar 0,638. Disimpulkan bahwa algoritma Gradient Boosting dapat memberikan estimasi curah hujan terbaik di Pontianak, Kalimantan Barat, Indonesia.

---

Equatorial regions have high rainfall because they are located near the equator, where the sun produces very high energy throughout the year. This impacts biological habitats, the global water cycle, and people's daily lives. Accurate rainfall information is vital for disaster mitigation, air resource management, and climate modeling. Rainfall can be measured using various methods, one of which is a long- range method, namely radar (Radio Detecting and Ranging). In this study, weather radar calculations were carried out using machine learning to assess the accuracy of weather radar data calculations on estimated rainfall values in Pontianak. The product of weather radar is reflectivity data (Z). Machine learning is applied to weather radar reflectivity data where the data used is C-MAX or Column Maximum. Rainfall data from December 2021 to February 2022 in Pontianak was processed utilizing a comparative method using four tree-based machine learning algorithms: Decision Tree, Random Forest, Adaptive Boosting, and Gradient Boosting. This comparison aims to obtain estimated rainfall values. The Decision Tree algorithm produces an RMSE accuracy value of 0.693 and an R2 correlation of 0.449; Random Forest produces an RMSE of 0.642 and R2 0.527; Adaptive Boosting produces an RMSE of 0.725 and R2 of 0.395, and Gradient Boosting has an RMSE of 0.561 and an R2 of 0.638. It was concluded that the Gradient Boosting algorithm can provide the best rainfall estimates in Pontianak, West Kalimantan, Indonesia."

"Radio Detection and Ranging (Radar) cuaca merupakan instrumen meteorologi yang umum digunakan dalam mengidentifikasi curah hujan menggunakan prinsip kerja pulsa Doppler. Produk radar berupa data reflektifitas (Z) dengan satuan [dBZ] diyakini memiliki hasil yang sebanding dengan data tampungan air hujan oleh tipping bucket. Namun, hal ini dapat berbanding terbalik oleh adanya pengaruhi dari kecepatan angin yang berhembus secara horizontal, dimana dapat membawa sejumlah droplet hujan sehingga tidak bisa terekam oleh tipping bucket. Pada penelitian ini, dilakukan pengukuran curah hujan dan kecepatan angin pada Stasiun Meteorologi Kelas I Djalaluddin, Gorontalo, Indonesia pada bulan Desember 2021 sampai Februari 2022. Pengolahan data berbasis Machine Learning dengan jenis algoritma berupa Decision Tree, Random Forest, AdaBoost, dan Gradient Boosting. Pengolahan data menggunakan data reflektivitas radar dan data besar kecepatan angin sebagai input, serta data curah hujan oleh tipping bucket digunakan sebagai data target. Dalam penelitian ini digunakan metriks evaluasi untuk mengetahui nilai algoritma yang paling baik dengan nilai matriks kesalahan RMSE, MSE, dan MAE yang relatif rendah dan hasil Rooted Squared Error (R-squared) yang mendekati 1. Hasil penelitian ini digunakan untuk mengetahui pengaruh kecepatan angin terhadap estimasi curah hujan di Gorontalo, Indonesia, serta mengetahui jenis algoritma yang paling baik untuk mengestimasinya.

---

Weather Radio Detection and Ranging (Radar) is a meteorological instrument used in identifying rainfall using the working principle of Doppler pulses. Radar products in the form of reflectivity (Z) data with units of [dBZ] are believed to have comparable results with rainwater storage data by tipping buckets. However, this can be inversely affected by the horizontal wind speed, which can carry the rain droplets that cannot be recorded by the tipping bucket. In this study, rainfall and wind speed measurements were taken at the Djalaluddin Class I Meteorological Station, Gorontalo, Indonesia from December 2021 to February 2022. Based on Machine Learning data processing with algorithm types such as Decision Tree, Random Forest, AdaBoost, and Gradient Boosting. Data processing uses radar reflectivity data and wind speed data as input, and rainfall data by tipping bucket is used as target data. In this study, an evaluation metric is used to determine the best algorithm value with relatively low RMSE, MSE, and MAE error matrix values and Rooted Squared Error (R-squared) results. The results of this study are used to determine the effect of wind speed on rainfall estimation in Gorontalo, Indonesia, and to determine the best type of algorithm to estimate it."

"Curah hujan mempunyai dampak yang signifikan terhadap berbagai sektor kehidupan dan lingkungan. Misalnya, curah hujan membantu meningkatkan produktivitas pertanian, menjamin cadangan pangan dan air. Selain itu, curah hujan juga mempengaruhi kekeringan dan siklus air tanah. Oleh karena itu, mengetahui cara memperkirakan curah hujan di suatu daerah secara akurat sangat penting. Salah satu cara memperkirakan curah hujan adalah dengan menggunakan radar cuaca yang mengukur nilai reflektivitas, kemudian menggunakan persamaan Z-R untuk menghitung curah hujan yang terjadi. Namun, beberapa penelitian sebelumnya telah menggunakan model estimasi curah hujan kuantitatif dengan machine learning dari data radar hujan karena dapat memberikan prediksi yang lebih akurat dibandingkan persamaan Z-R. penelitian lain menyatakan bahwa gradient boosting menghasilkan estimasi curah hujan yang lebih akurat dibandingkan beberapa algoritma lainnya. Pada penelitian ini, estimasi curah hujan dilakukan pada satu wilayah dengan tipe curah hujan lokal di Kota Gorontalo. Estimasi ini dilakukan dengan membandingkan keakuratan dua metode: persamaan Z-R dan algoritma machine learning. Persamaan Z-R yang digunakan adalah persamaan Z-R oleh Marshall-Palmer (𝐴 = 200, 𝑏 = 1.6) dan Rosenfeld (𝐴 = 250, 𝑏 = 1.2), sedangkan algoritma machine learning yang digunakan adalah gradient boosting. Hasil perbandingan menunjukkan bahwa gradient boosting memberikan estimasi yang lebih akurat dibandingkan dengan kedua persamaan Z-R tersebut. Hasil estimasi algoritma gradient boosting memberikan nilai RMSE, MAE, dan R 2 masing-masing sebesar 0,61, 0,17, dan 0,86. Persamaan Marshall-Palmer Z-R menghasilkan nilai RMSE, MAE, dan R 2 sebesar 8,14, 3,66, dan -0,19. Estimasi persamaan Z-R Rosenfeld menghasilkan nilai RMSE, MAE, dan R 2 sebesar 8,18, 3,71, dan -0,20. Dari ketiga metrik tersebut, dapat disimpulkan bahwa gradient boosting memberikan estimasi yang paling akurat untuk curah hujan di wilayah dengan tipe hujan lokal di Kota Gorontalo.

---

Rainfall has a significant impact on various sectors of life and the environment. For example, rainfall helps increase productivity in agriculture, ensuring food reserves and water. In addition, rainfall also affects drought and the soil water cycle. Therefore, knowing how to estimate rainfall in an area accurately is essential. One way to estimate rainfall is to use a weather radar that measures reflectivity values, then use the Z-R equation to calculate the rainfall that occurs. However, Several previous studies have used machine learning quantitative rainfall estimation models from rain radar data because it can provide more accurate predictions than the Z-R equation. Another study state that gradient boosting provides more accurate rainfall estimation than several other algorithms. In this study, rainfall estimation was carried out in an area with local rainfall types in Gorontalo City. This estimation is done by comparing the accuracy of two methods: the Z-R equation and machine learning algorithms. The Z-R equation used is the Z-R Equation by Marshall-Palmer (𝐴 = 200, 𝑏 = 1.6) and Rosenfeld (𝐴 = 250, 𝑏 = 1.2), while the machine learning algorithm used is gradient boosting. The comparison results show that gradient boosting provides a more accurate estimation than the two ZR equations. The gradient boosting algorithm estimation results provide RMSE, MAE, and R 2 values of 0.61, 0.17 and 0.86, respectively. The Marshall-Palmer Z-R equation obtained RMSE, MAE, and R 2 values of 8.14, 3.66, and -0.19. The estimation of Rosenfeld's Z-R equation resulted in RMSE, MAE, and R 2 values of 8.18, 3.71, and - 0.20. From these three metrics, it is concluded that gradient boosting provides the most accurate estimate for rainfall in areas with localized rainfall types in Gorontalo City."

"Moda transportasi udara sangat bergantung pada keadaan dan perubahan cuaca, baik saat lepas landas, mengudara, maupun saat pendaratan, dengan lebih dari 50% kecelakaan pesawat diakibatkan oleh cuaca. Curah hujan yang tinggi dapat mengganggu aktivitas penerbangan dengan menurunkan visibilitas, meningkatkan massa pesawat, mengurangi akurasi instrumen pengukuran, serta menyebabkan turbulensi. Oleh karena itu, penting bagi manajemen bandara untuk memastikan kondisi cuaca aman bagi operasi pesawat. Penelitian ini bertujuan untuk mengembangkan model prediksi kategori hujan berdasarkan curah hujan untuk 1 jam, 3 jam, dan 9 jam ke depan, menggunakan data dari AWOS di Bandara Jenderal Ahmad Yani, Semarang. Algoritma yang digunakan adalah Random Forest dengan 100 pohon dan K-Nearest Neighbor (KNN) dengan k sebesar 5. Hasil analisis menunjukkan bahwa model KNN dan Random Forest memiliki performa yang cukup baik, dengan prediksi terbaik untuk periode 1 jam ke depan. Model KNN memiliki performa terbaik dengan akurasi 0,86, presisi 086, recall 0,86, F1-score 0,85, dan MCC 0,83.

---

Air transportation is highly dependent on weather conditions and changes, both during takeoff, flight, and landing, with more than 50% of aircraft accidents caused by weather. Heavy rainfall can disrupt flight activities by reducing visibility, increasing aircraft mass, decreasing the accuracy of onboard measurement instruments, and causing turbulence. Therefore, it is crucial for airport management to ensure that weather conditions are safe for aircraft operations. This study aims to develop a model to predict rain categories based on rainfall for 1 hour, 3 hours, and 9 hours ahead, using data from AWOS at Jenderal Ahmad Yani Airport, Semarang. The algorithms used are Random Forest with 100 trees and K-Nearest Neighbor (KNN) with k set to 5. The analysis results show that the KNN and Random Forest models perform reasonably well, with the best predictions made for the 1-hour ahead period. The KNN model demonstrated the best performance with an accuracy of 0.86, precision of 0.86, recall of 0.86, F1-score of 0.86, and MCC of 0.86."

"Dampak dari letak geografis Indonesia yang diapit dua samudera dan dikelilingi laut membuat Indonesia memiliki laju konveksi yang tinggi. Hal ini menyebabkan banyaknya awan konveksi dan kelimpahan hujan sepanjang tahun sehingga informasi mengenai hujan merupakan hal yang penting terutama untuk sektor pertanian. Kejadian hujan dipengaruhi oleh karakteristik awan, diantaranya ketinggian dan temperatur yang dapat diukur menggunakan instrumen radar dan satelit. Pada penelitian ini, dilakukan estimasi kejadian hujan dengan meninjau karakteristik ketinggian dan temperatur awan bulan Desember 2021 di Provinsi Lampung menggunakan tree-based ensemble learning. Hasil dari studi ini akan menunjukkan algoritma terbaik yang dapat mengklasifikasikan kejadian hujan berdasarkan ketinggian dan temperatur awan. Berdasarkan penelitian yang telah dilakukan, didapatkan hasil MCC pada Random Forest sebesar 0.125, Light Gradient Boosting Machine sebesar 0.229, Adaptive Boosting sebesar 0.135, dan Extreme Gradient Boosting sebesar 0.227. Hasil analisis menunjukkan bahwa algoritma terbaik untuk klasifikasi biner kejadian hujan berdasarkan data ketinggian dan temperatur awan adalah algoritma Light Gradient Boosting Machine.

---

The geographical location of Indonesia, situated between two oceans and surrounded by seas, leads to high convective activity. This results in abundant convective clouds and rainfall throughout the year, making rainfall information crucial, especially for the agricultural sector. Rainfall events are influenced by cloud characteristics, including height and temperature, which can be measured using radar and satellite instruments. In this study, rainfall events were estimated by examining the characteristics of cloud height and temperature in December 2021 in Lampung Province using tree-based ensemble learning. The results of this study will indicate the best algorithm for classifying rainfall events based on cloud height and temperature. Based on the research conducted, the MCC results were found to be 0.125 for Random Forest, 0.229 for Light Gradient Boosting Machine, 0.135 for Adaptive Boosting, and 0.227 for Extreme Gradient Boosting. The analysis results indicate that the best algorithm for binary classification of rainfall events based on cloud height and temperature data is the Light Gradient Boosting Machine algorithm."

"Curah hujan menjadi faktor cuaca yang sangat berpengaruh terhadap aktivitas penerbangan, mulai dari saat pesawat akan lepas landas, ketika berada di udara, dan saat akan melakukan pendaratan. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan sebuah model prediksi curah hujan di Bandara Silangit, Tapanuli Utara yang memiliki variasi curah hujan yang tinggi, karena dipengaruhi oleh posisi geografisnya di dekat garis khatulistiwa. Model prediksi curah hujan tersebut dibangun dengan memanfaatkan data dari AWOS dan menerapkan algoritma XGBoost dan selanjutnya dioptimasi dengan menggunakan dua metode, yaitu random search dan bayesian optimization untuk mencari kombinasi hyperparameter optimal dan meningkatkan akurasi model prediksi tersebut. Hasil penelitian menunjukkan bahwa model XGBoost sebelum dioptimasi berhasil mencapai akurasi prediksi 74.8%. Sementara itu, dengan hyperparameter tuning melalui metode bayesian optimization, akurasi model meningkat hingga 76.6%, dengan kombinasi nilai hyperparameter optimal yang didapatkan, diantaranya max_depth: 17, min_child_weight: 3, learning_rate: 0.1, n_estimators: 100, subsample: 0.91, dan colsample_bytree: 0.88. Temuan ini menegaskan potensi yang besar dalam penggunaan teknologi canggih untuk prediksi curah hujan dalam rangka mendukung keselamatan penerbangan di wilayah dengan kondisi cuaca yang kompleks dan dinamis.

---

Rainfall is a weather factor that significantly affects aviation activities, from takeoff and in-flight operations to landing. Therefore, this study aims to develop a rainfall prediction model for Silangit Airport in North Tapanuli, an area with high rainfall variability due to its geographic location near the equator. The rainfall prediction model is constructed using data from the Automated Weather Observing System (AWOS) and employs the XGBoost algorithm, which is further optimized using two methods: random search and Bayesian optimization. These methods are used to find the optimal hyperparameter combinations and improve the model's prediction accuracy.The results of the study show that the XGBoost model achieved a prediction accuracy of 74.8% before optimization. However, with hyperparameter tuning using Bayesian optimization, the model's accuracy increased to 76.6%. The optimal hyperparameter values obtained were max_depth: 17, min_child_weight: 3, learning_rate: 0.1, n_estimators: 100, subsample: 0.91, and colsample_bytree: 0.88. These findings highlight the significant potential of advanced technology in predicting rainfall, thereby supporting aviation safety in regions with complex and dynamic weather conditions."