scholarly journals Rainfall Analysis and Forecasting Using Deep Learning Technique

2021 ◽  
Vol 2 (2) ◽  
pp. 1-11
Author(s):  
Pragati Kanchan ◽  
Keyword(s):  
Neural Network ◽  
Deep Learning ◽  
Mean Squared Error ◽  
Predictive Accuracy ◽  
Mean Absolute Percentage Error ◽  
Percentage Error ◽  
Root Mean Squared Error ◽  
Rainfall Prediction ◽  
Absolute Percentage Error ◽  
Squared Error

Rainfall forecasting is very challenging due to its uncertain nature and dynamic climate change. It's always been a challenging task for meteorologists. In various papers for rainfall prediction, different Data Mining and Machine Learning (ML) techniques have been used. These techniques show better predictive accuracy. A deep learning approach has been used in this study to analyze the rainfall data of the Karnataka Subdivision. Three deep learning methods have been used for prediction such as Artificial Neural Network (ANN) - Feed Forward Neural Network, Simple Recurrent Neural Network (RNN), and the Long Short-Term Memory (LSTM) optimized RNN Technique. In this paper, a comparative study of these three techniques for monthly rainfall prediction has been given and the prediction performance of these three techniques has been evaluated using the Mean Absolute Percentage Error (MAPE%) and a Root Mean Squared Error (RMSE%). The results show that the LSTM Model shows better performance as compared to ANN and RNN for Prediction. The LSTM model shows better performance with mini-mum Mean Absolute Percentage Error (MAPE%) and Root Mean Squared Error (RMSE%).

scholarly journals PERBANDINGAN METODE REGRESI LINEAR DAN NEURAL NETWORK BACKPROPAGATION DALAM PREDIKSI NILAI UJIAN NASIONAL SISWA SMP MENGGUNAKAN SOFTWARE R

JOUTICA ◽  
2020 ◽  
Vol 5 (1) ◽  
pp. 331
Author(s):  
Masruroh Masruroh
Keyword(s):  
Neural Network ◽  
Mean Squared Error ◽  
Mean Absolute Percentage Error ◽  
Percentage Error ◽  
Output Data ◽  
Root Mean Squared Error ◽  
Absolute Percentage Error ◽  
Squared Error

Metode regresi linear dan neural network backpropagation merupakan metode yang kerap digunakan dalam model prediksi. Penelitian ini bertujuan untuk membandingkan akurasi metode regresi linear dan backpropagation dalam prediksi nilai Ujian Nasional siswa SMP. Data yang digunakan berupa data nilai ujian akhir semester dan ujian sekolah sebagai input dan nilai ujian nasional sebagai output. Data didapatkan dari SMPN 1 dan SMPN 2 Lamongan.. Jumlah dataset sebanyak 701 dibagi menjadi 75% data training dan 25% data testing. Simulasi prediksi dilakukan menggunakan software R. Parameter akurasi yang digunakan adalah Root Mean Squared Error (RMSE) dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan model prediksi menggunakan metode regresi linear menghasilkan RMSE sebesar 9,04 dan MAPE sebesar 3,94%, sedangkan model prediksi menggunakan backpropagation menghasilkan RMSE sebesar 7,28 dan MAPE sebesar 0,55%. Dengan demikian dalam penelitian ini metode neural network backpropagation memiliki akurasi yang lebih baik dalam prediksi nilai Ujian Nasional siswa SMP.

scholarly journals Peramalan Jumlah Populasi Sapi Potong di Kalimantan Selatan Menggunakan Metode Moving Average, Exponential Smoothing dan Trend Analysis

2019 ◽  
Vol 6 (1) ◽  
pp. 41
Author(s):  
Jaka Darma Jaya
Keyword(s):  
Trend Analysis ◽  
Mean Squared Error ◽  
Moving Average ◽  
Exponential Smoothing ◽  
Mean Absolute Percentage Error ◽  
Percentage Error ◽  
Absolute Percentage Error ◽  
Polynomial Trend ◽  
Squared Error

Perkembangan produksi daging sapi di Indonesia selama 30 tahun terakhir secara umum cenderung meningkat. Kebutuhan daging sapi di Indonesia masih belum bisa dicukupi oleh supply domestik, sehingga diperlukan impor daging sapi dari luar negeri.  Diperlukan kajian tentang proyeksi ketersediaan populasi sapi potong di masa mendatang agar diambil kebijakan yang tepat dalam menjaga stabilitas dan keterpenuhan supply daging nasional.  Penelitian ini bertujuan untuk melakukan peramalan jumlah populasi sapi potong menggunakan 3 (tiga) metode peramalan yaitu metode moving average, exponential smoothing dan trend analysis.  Hasil peramalan ini selanjutnya diukur akurasinya menggunakan MAD (Mean Absolud Deviation), MSE (Mean Squared Error) dan MAPE (Mean Absolute Percentage Error).  Proyeksi populasi sapi potong pada tahun 2019 (periode berikutnya) menggunakan 3 metode peramalan adalah: 195.100 (moving average); 218.225 (exponential smooting) dan 262.899 (trend analysis). Pengukuran akurasi menggunakan MAD, MSE dan MAPE menunjukkan bahwa metode peramalan jumlah populasi sapi potong yang paling akurat adalah peramalan menggunakan metode polynomial trend analysis (MAD 14.716,12;  MSE 327.282.084,17; dan MAPE 0,09) karena memiliki tingkat kesalahan yang lebih kecil dibandingkan hasil peramalan menggunakan metode moving average dan exponential smoothing.

scholarly journals ARDL METHOD: Forecasting Data Curah Hujan Harian NTB

Jurnal Varian ◽  
2020 ◽  
Vol 3 (2) ◽  
pp. 73-82
Author(s):  
Ulul Azmi ◽  
Zilullah Nazir Hadi ◽  
Siti Soraya
Keyword(s):  
Mean Squared Error ◽  
Percentage Error ◽  
Mean Absolute Deviation ◽  
Absolute Deviation ◽  
Root Mean Squared Error ◽  
Absolute Percentage Error ◽  
Distributed Lag ◽  
Autoregressive Distributed Lag ◽  
Squared Error ◽  
Parameter Error

Penelitian ini berisi tentang prediksi atau forecasting data iklim di Nusa Tenggara Barat (NTB) tahun 2011, yakni jumlah hari terjadinya hujan dengan menggunakan metode Autoregressive Distributed Lag (ARDL). Data yang digunakan yaitu data iklim di Nusa Tenggara Barat (NTB) dari tahun 2006 -2010, dengan menggunakan beberapa parameter error seperti Mean Absolute Deviation (MAD), Mean Squared Error (MSE), Root Mean Squared Error (RMSE) dan Mean Absolute Percentage Error (MAPE). Berdasarkan hasil simulasi data iklim di Nusa Tenggara Barat (NTB) tersebut, diperoleh prediksi jumlah hari terjadinya curah hujan pada tahun 2011 sebesar 226 hari dengan nilai MAD 20,8069, MSE 3,5569, RMSE 1,88597, dan MAPE 11,9297 . Dan prediksi jumlah hari terjadinya hujan pada tahun 2011 sebanyak 225,928 hari atau jika di bulatkan menjadi 226 hari dengan nilai parameter error MAD sebesar 20,8069, sehingga dapat disimpulkan pada tahun 2011 terjadi peningkatan jumlah hari terjadinya hujan di Nusa Tenggara Barat (NTB).

scholarly journals Features of building a predictive neuro-fuzzy network

2020 ◽  
pp. 13-17
Author(s):  
А.И. Епихин ◽  
Е.В. Хекерт ◽  
А.Б. Каракаев ◽  
М.А. Модина
Keyword(s):  
Mean Squared Error ◽  
Least Squares Method ◽  
Finite Impulse Response ◽  
Mean Absolute Percentage Error ◽  
Percentage Error ◽  
Piston Engine ◽  
Absolute Percentage Error ◽  
Squared Error ◽  
Neuro Fuzzy ◽  
Fuzzy Network

В статье рассматриваются особенности построения прогностической нейро-фаззи сети. В процессе исследования представлена структура адаптивного нейро-фаззи-предиктора и многомерного нейро-фаззи-нейрона. Рассмотрен принцип обработки информации, поступающей в режиме реального времени, о работе поршневого двигателя СЭУ с использованием TSK-системы нулевого порядка с применением быстродействующих оптимизационных процедур второго порядка типа рекуррентного метода наименьших квадратов для настройки синаптических весов. Определена архитектура искусственной нейро-фаззи сети для прогноза ресурсной прочности поршневого двигателя СЭУ марки RND 105, состоящая из пяти последовательно соединенных слоев. Представлена структура динамических нейронов-фильтров с конечной импульсной характеристикой. Рассмотрена процедура обучения нейросети. При проведения численного эксперимента использовались следующие критерии оценки: MSE (mean squared error, среднеквадратичная погрешность); SMAPE (Symmetric mean absolute percentage error, симметрично абсолютная процентная погрешность) - характеризует погрешность прогноза в процентах. Экспериментальный анализ разработанной сети проводился на примере прогнозирования ресурсной прочности восьмицилиндрового двухтактного судового дизеля марки RND 105. The article discusses the features of building a predictive neuro-fuzzy network. During the research, the structure of an adaptive neuro-fuzzy predictor and a multidimensional neuro-fuzzy neuron is presented. The principle of processing information received in real time about the operation of a piston engine of a SEP using a TSK-system of zero order with the use of high-speed optimization procedures of the second order such as the recurrent least squares method for adjusting synaptic weights is considered. The architecture of an artificial neuro-fuzzy network for predicting the resource strength of a piston engine SEU brand RND 105, consisting of five layers connected in series, has been determined. The structure of dynamic filter neurons with finite impulse response is presented. The procedure for training a neural network is considered. During the numerical experiment, the following evaluation criteria were used: MSE (mean squared error); SMAPE (Symmetric mean absolute percentage error) - characterizes the forecast error in percentage. An experimental analysis of the developed network was carried out on the example of predicting the resource strength of an eight-cylinder two-stroke marine diesel engine of the RND 105 brand.

scholarly journals Analisis Error Terhadap Peramalan Data Penjualan

Techno Com ◽  
2021 ◽  
Vol 20 (1) ◽  
pp. 1-9
Author(s):  
Alyauma Hajjah ◽  
Yulvia Nora Marlim
Keyword(s):  
Mean Squared Error ◽  
Moving Average ◽  
Exponential Smoothing ◽  
Mean Absolute Percentage Error ◽  
Percentage Error ◽  
Absolute Percentage Error ◽  
Squared Error

Tujuan penelitian ini membahas tentang peramalan permintaan lampu LED bermerk Sanyo. Penelitian ini menggunakan metode Moving Average dan Exponential Smoothing. Pada Metode Moving Average digunakan untuk peramalan periode 3 bulan dan 5 bulan, sedangkan metode Exponential Smoothing menggunakan parameter  = 0,1; 0,5; 0,7 dan 0,9. Dari hasil peramalan setiap metode dibandingkan nilai dari error, adapun nilai error yang dibahas adalah Mean Absolut Deviation (MAD), Mean Squared Error (MSE), dan Mean Absolute Percentage Error (MAPE). Berdasarkan hasil penelitian ini metode yang memiliki tingkat kesalahan terkecil adalah metode Exponential Smoothing dengan parameter , yang memiliki nilai MAD= 1.214,54; MSE = 2.758.993 dan MAPE = 9,17%. Dapat disimpulkan bahwa metode yang paling optimal digunakan untuk meramalkan jumlah permintaan lampu pada bulan berikutnya adalah metode Exponential Smoothing dengan parameter . Hasil peramalan permintaan lampu pada bulan Januari 2020 dengan menggunakan metode Exponential Smoothing dengan  adalah 15.800,88. Sehingga untuk peramalan permintaan untuk bulan berikutnya peneliti merekomendasikan menggunakan metode Exponential Smoothing dengan perameter .

scholarly journals Forecast Error Calculation with Mean Squared Error (MSE) and Mean Absolute Percentage Error (MAPE)

2020 ◽  
Vol 1 (2) ◽  
Author(s):  
Ansari Saleh Ahmar
Keyword(s):  
Decision Making ◽  
Mean Squared Error ◽  
Forecast Error ◽  
Mean Absolute Percentage Error ◽  
Percentage Error ◽  
Forecasting Accuracy ◽  
Error Calculation ◽  
Absolute Percentage Error ◽  
Squared Error ◽  
High Level

Calculation errors in forecasting a data are very important from a forecasting process. The high level of forecasting accuracy will affect the level of confidence in forecasting decision making.

scholarly journals Prediksi Indeks Harga Saham Gabungan (IHSG) Menggunakan Algoritma Neural Network

2018 ◽  
Vol 4 (1) ◽  
pp. 24
Author(s):  
Imam Halimi ◽  
Wahyu Andhyka Kusuma
Keyword(s):  
Neural Network ◽  
Data Mining ◽  
Linear Regression ◽  
Mean Squared Error ◽  
Composite Index ◽  
T Test ◽  
Sliding Windows ◽  
Root Mean Squared Error ◽  
Squared Error

Investasi saham merupakan hal yang tidak asing didengar maupun dilakukan. Ada berbagai macam saham di Indonesia, salah satunya adalah Indeks Harga Saham Gabungan (IHSG) atau dalam bahasa inggris disebut Indonesia Composite Index, ICI, atau IDX Composite. IHSG merupakan parameter penting yang dipertimbangkan pada saat akan melakukan investasi mengingat IHSG adalah saham gabungan. Penelitian ini bertujuan memprediksi pergerakan IHSG dengan teknik data mining menggunakan algoritma neural network dan dibandingkan dengan algoritma linear regression, yang dapat dijadikan acuan investor saat akan melakukan investasi. Hasil dari penelitian ini berupa nilai Root Mean Squared Error (RMSE) serta label tambahan angka hasil prediksi yang didapatkan setelah dilakukan validasi menggunakan sliding windows validation dengan hasil paling baik yaitu pada pengujian yang menggunakan algoritma neural network yang menggunakan windowing yaitu sebesar 37,786 dan pada pengujian yang tidak menggunakan windowing sebesar 13,597 dan untuk pengujian algoritma linear regression yang menggunakan windowing yaitu sebesar 35,026 dan pengujian yang tidak menggunakan windowing sebesar 12,657. Setelah dilakukan pengujian T-Test menunjukan bahwa pengujian menggunakan neural network yang dibandingkan dengan linear regression memiliki hasil yang tidak signifikan dengan nilai T-Test untuk pengujian dengan windowing dan tanpa windowing hasilnya sama, yaitu sebesar 1,000.

scholarly journals Novel Spatiotemporal Feature Extraction Parallel Deep Neural Network for Forecasting Confirmed Cases of Coronavirus Disease 2019

2020 ◽  
Author(s):  
Chiou-Jye Huang ◽  
Yamin Shen ◽  
Ping-Huan Kuo ◽  
Yung-Hsiang Chen
Keyword(s):  
Neural Network ◽  
Deep Neural Network ◽  
Absolute Error ◽  
Mean Absolute Percentage Error ◽  
The Other ◽  
Percentage Error ◽  
Model Assessment ◽  
Absolute Percentage Error ◽  
Spatiotemporal Feature ◽  
The Mean

AbstractThe coronavirus disease 2019 pandemic continues as of March 26 and spread to Europe on approximately February 24. A report from April 29 revealed 1.26 million confirmed cases and 125 928 deaths in Europe. This study proposed a novel deep neural network framework, COVID-19Net, which parallelly combines a convolutional neural network (CNN) and bidirectional gated recurrent units (GRUs). Three European countries with severe outbreaks were studied—Germany, Italy, and Spain—to extract spatiotemporal feature and predict the number of confirmed cases. The prediction results acquired from COVID-19Net were compared to those obtained using a CNN, GRU, and CNN-GRU. The mean absolute error, mean absolute percentage error, and root mean square error, which are commonly used model assessment indices, were used to compare the accuracy of the models. The results verified that COVID-19Net was notably more accurate than the other models. The mean absolute percentage error generated by COVID-19Net was 1.447 for Germany, 1.801 for Italy, and 2.828 for Spain, which were considerably lower than those of the other models. This indicated that the proposed framework can accurately predict the accumulated number of confirmed cases in the three countries and serve as a crucial reference for devising public health strategies.

Using BPNN to Predict Number of Low-Income Households in Taiwan Based on Seasonally Adjusted Annualized Rates for Real GDP

2014 ◽  
Vol 1044-1045 ◽  
pp. 1824-1827
Author(s):  
Yi Ti Tung ◽  
Tzu Yi Pai
Keyword(s):  
Neural Network ◽  
Low Income ◽  
Mean Squared Error ◽  
Back Propagation ◽  
Back Propagation Neural Network ◽  
Percentage Error ◽  
Real Gdp ◽  
Squared Error ◽  
Input Variables ◽  
Low Income Households

In this study, the back-propagation neural network (BPNN) was used to predict the number of low-income households (NLIH) in Taiwan, taking the seasonally adjusted annualized rates (SAAR) for real gross domestic product (GDP) as input variables. The results indicated that the lowest mean absolute percentage error (MAPE), mean squared error (MSE), root mean squared error (RMSE), and highest correlation coefficient (R) for training and testing were 4.759 % versus 19.343 %, 24429972.268 versus 781839890.859, 4942.669 versus 27961.400, and 0.945 versus 0.838, respectively.

scholarly journals PERBANDINGAN PERFORMA PREDIKSI TINGKAT KEMISKINAN ANTARA BACKPROPAGATION NEURAL NETWORK DAN GENERALIZED REGRESSION NEURAL NETWORK

2018 ◽  
Vol 6 (2) ◽  
pp. 89
Author(s):  
Rina Mamase ◽  
Ruli S. Sinukun
Keyword(s):  
Neural Network ◽  
Mean Absolute Percentage Error ◽  
Percentage Error ◽  
Generalized Regression Neural Network ◽  
Backpropagation Neural Network ◽  
Absolute Percentage Error ◽  
Generalized Regression

Menurunkan tingkat kemiskinan penduduk merupakan suatu program kerja Pemerintah Indonesia yang hingga saat ini masih berlangsung.  Pemberian bantuan secara merata, tepat dan cepat merupakan salah satu upaya pemerintah dalam menangani masalah kemiskinan. Upaya tersebut dapat diwujudkan dengan penyajian data kemiskinan secara cepat dan akurat melalui prediksi tingkat kemiskinan menggunakan suatu metode yang efektif. Kemiskinan adalah masalah multi dimensional, sehingga diperlukan kesepakatan pendekatan/metode  yang dipakai apabila ingin memprediksi tingkat kemiskinan. Masalah kemiskinan tidak hanya berasal dari ketidakmampuan dalam memenuhi kebutuhan dasar saja, melainkan ada juga faktor atau indikator lain yang dapat mempengaruhi tingkat kemiskinan penduduk disuatu daerah/wilayah, seperti indikator pertanian, perdagangan dan industri.  Selain penggunaan indikator kebutuhan dasar  seperti kependudukan, tenaga kerja, pendidikan, dan kesehatan, penelitian ini juga mencoba menambahkan indikator pertanian, industri, dan perdagangan dalam prediksi tingkat kemiskinan. Metode prediksi yang digunakan dalam penelitian ini adalah Backpropagation Neural Network (BPNN) dan Generalized Regression Neural Network (GRNN). Pengujian dilakukan dengan menggunakan data tingkat kemiskinan di Provinsi Gorontalo pada tahun 2016 dan 2017. Mean  Absolute Percentage Error (MAPE) digunakan sebagai kriteria evaluasi model prediksi. Hasil dari prediksi tingkat kemiskinan diperoleh bahwa metode GRNN memiliki performa 14-16% lebih baik jika dibandingkan dengan metode BPNN.

Sign in / Sign up

Export Citation Format

Share Document