Prakiraan cuaca dengan metode autoregressive integrated moving average, neural network, dan adaptive splines threshold autoregression di Stasiun Juanda Surabaya

Kebutuhan prakiraan cuaca merupakan kebutuhan utama untuk mendukung kegiatan di berbagai sektor, sehingga upaya pengembangan metode prakiraan menuju ketepatan dan keakuratan informasi cuaca yang tinggi sangat diperlukan. Berbagai model prakiraan cuaca dengan pendekatan teknik/ metode stokastik telah dikembangkan meskipun setiap metode memiliki kelemahan dan kelebihan, namun upaya pengembangan teknik/metode untuk mendapatkan model terbaik harus terus dilakukan. Apa yang diuraikan dalam makalah ini merupakan hasil pengujian terhadap tiga metode statistik untuk memperoleh model/ persamaan prakiraan cuaca terbaik. Tiga metode yang diuji adalah autoregressive integrated moving average (ARIMA), neural network (NN), adaptive splines threshold autoregression (ASTAR) untuk memperkirakan suhu, kelembaban dan curah hujan harian. Hasil dari tiga metode dievaluasi dengan nilai korelasi dan root mean square error (RMSE). Metode mempunyai kinerja yang baik jika antara nilai aktual dan nilai prakiraan mempunyai korelasi yang tinggi dan nilai RMSE yang kecil. Hasil penelitian menunjukkan bahwa metode ASTAR menghasilkan prakiraan yang lebih baik, karena memiliki nilai korelasi yang lebih tinggi, nilai RMSE yang lebih kecil dan konstan pada prakiraan hari ke-1 hingga ke-30. Nilai korelasi metode ASTAR untuk cuaca Tmax dan RHmin masing-masing secara berurutan adalah 0,70 dan 0,75, sedangkan untuk metode ARIMA, masing-masing 0,31 dan 0,47 dan untuk metode NN, masing-masing 0,02 dan -0,06. Berbeda dengan unsur cuaca Tmin, RHmax dan RRR, ketiga metode mempunyai kinerja yang kurang baik.