PENAMBAHAN METODE NEURAL NETWORK DALAM PEMODELAN GSTAR-SUR UNTUK MENGATASI KASUS NON LINIER PADA PERAMALAN DATA CURAH HUJAN

Salah satu model peramalan yang dapat yang menggabungkan unsur spasial (spatial) dan temporal (time) adalah Generalized Space Time Autoregressive (GSTAR). Pendugaan parameter yang digunakan adalah Seemingly Unrelated Regression (SUR). Peramalan iklim pada tanaman hortikultura pada masa kini sulit untuk diprediksi karena memiliki pola dan karakteristik yang sulit diidentifikasi dan dapat disebut aktivitas non linier. Unsur non linier ini dapat ditangkap oleh metode neural network. Penelitian ini ingin mengetahui hasil peramalan curah hujan pada 6 wilayah di Tengger menggunakan model GSTAR dengan pendugaan parameter menggunakan metode SUR dan digabungkan dengan neural network agar hasil peramalan yang lebih akurat. Data yang digunakan dalam penelitian ini adalah data curah hujan enam lokasi di wilayah Tengger, yakni Ngadirejo, Puspo, Wonokitri, Argosari, Ngadas, dan Wonokerto. Model yang tepat dalam melakukan peramalan pada data curah hujan pada 6 lokasi Tengger adalah model GSTAR (1,2,3,4,5,6,7,36(1)) Backpropagation Neural Network (96-120-6).