ABSTRAKSI: Kebutuhan masyarakat akan informasi prakiraan cuaca suatu daerah menjadi sangat penting untuk menyesuaikan kegiatannya. Perubahan cuaca yang sering terjadi mengakibatkan sulit untuk diprediksi. Peramalan temperatur udara akan sangat membantu karena temperatur udara berpengaruh terhadap cuaca daerah setempat.
Kombinasi Hidden Markov dan Bayesian Network merupakan pilihan metode dengan pendekatan model probabilitas dan statistika yang digunakan untuk memodelkan arsitektur graf pada pelatihan dan peramalan temperatur udara dalam Tugas Akhir ini. Kedua metode tersebut digunakan secara hybrid, Hidden Markov (HM) menjadi bagian dari rangkaian proses Bayesian Network (BN). Pemodelan arsitektur graf diperoleh dari Hidden Markov (HM) dengan memodelkan parameter-parameter HM terhadap data klimatologi untuk peramalan temperatur udara. BN digunakan untuk perhitungan statistika berdasarkan prinsip klasifikasi, karena kemampuannya dalam menangani data yang tidak tetap dan tidak lengkap sekaligus memungkinkan hubungan sebab akibat yang penting untuk proses pelatihan sistem prediksi. Sehingga kombinasi Hidden Markov dan Bayesian Network diharapkan dapat membuat proses dan sistem peramalan temperatur udara menjadi lebih optimal.
Data klimatologi yang menjadi faktor masukan sistem diantaranya adalah lama penyinaran matahari, kelembaban rata-rata udara, curah hujan, tekanan udara, ada tidaknya angin, kecepatan angin rata-rata, temperatur udara jam 07.00, 13.00, dan 18.00. Hasil keluaran dari sistem berupa kisaran prakiraan temperatur esok hari.
Hasil pengujian terhadap sistem peramalan temperatur udara menunjukkan ketepatan sistem dengan hasil akurasi yang berbeda-beda sesuai dengan pembagian daerah dan waktu dari data latih.
Kata Kunci : temperatur udara, hidden markov, bayesian network.ABSTRACT: Information of weather prediction becomes important for people to fit their activity. Frequent weather change is hard to predict. Air temperature prediction will be useful, because air temperature affect local area weather.
Combination of Hidden Markov (HM) and Bayesian Network (BN) are alternative method using probabilistic and statistic model approach to make graph architecture graph in training and air temperature forecasting. Both of them are used as hybrid, Hidden Markov is part of Bayesian Network processes sequence. Graph architecture modeling is gained from Hidden Markov Models (HMM) with modeling of HMM elements toward climatology data for air temperature prediction. BN is used to statistic calculation based on classification principle, because it’s ability in handling inconsistency and incompletely data simultaneously enabling cause-effect relation which is important in learning process of prediction system.
Climatology data which is used as system input elements are sunshine radiation, air humidity average, precipitation, air pressure, wind existing, wind rapidity average, air temperature at 07.00, 13.00, and 18.00. Output system is range of air temperature prediction for tomorrow.
Testing result toward air temperature prediction system shows system accuracy which is different based on area and time distribution.
Keyword: air temperature, hidden markov, bayesian network.