Jadual 6.16(iv) : Model rangkaian yang terbaik bagi Stesen Ladang Mados Sermin Daerah Segamat
6.4 nalisa Model Rangkaian Menggunakan Teknik Rangkaian Neural
g
ebagainya. Jadual 6.17 menunjukkan ringkasan model terbaik bagi setiap stesen.
Penera ral
asang
a taburan ata hujan bagi validasi menunjukkan tidak banyak data yang diramal mengikut aliran d
M4.
ural an agi validasi menunjukkan sebahagian data yang diramal mengikut aliran data sebena
p
A
Peringkat terakhir setelah memilih model peramalan yang terbaik di dalam projek ini ialah membuat analisa terhadap teknik peramalan rangkaian neural yan digunakan. Analisa adalah tertumpu kepada mengenalpasti sama ada teknik yang digunakan ini boleh menghasilkan model taburan hujan yang terbaik atau
s
ngan analisa teknik peramalan dengan menggunakan kaedah rangkaian neu bagi setiap stesen adalah merujuk kepada Jadual 6.17.
Hasil output peramalan taburan hujan bagi stesen pertama iaitu Stesen P Surut Kg. Sg. Rengit daerah Batu Pahat dengan menggunakan teknik rangkaian neural ini menunjukkan bahawa prestasi adalah kurang memuaskan keran d
ata sebenar. Rujuk Lampiran M3. Manakala bandingan antara data hujan sebenar dengan data ramalan kebanyakkannya tidak sama. Rujuk Lampiran
Bagi stesen kedua iaitu Stesen Ldg. Union Yong Peng daerah Batu Pahat, hasil output peramalan taburan hujan dengan menggunakan teknik rangkaian ne ini menunjukkan bahawa prestasi adalah agak memuaskan kerana taburan data huj b
r. Rujuk Lampiran N3. Manakala bandingan antara data hujan sebenar dengan data ramalan sebahagiannya adalah sama. Rujuk Lampiran N4.
Bagi stesen ketiga iaitu Stesen Ldg. Senai daerah Johor Bahru, hasil output peramalan taburan hujan dengan menggunakan teknik rangkaian neural ini
menunjukkan bahawa prestasi adalah memuaskan kerana taburan data hujan bagi validasi menunjukkan hampir kebanyakkan data yang diramal mengikut aliran data sebena
il ni jan bagi alidasi menunjukkan hampir kebanyakkan data yang diramal mengikut aliran data sebena
P4.
al ini n agi validasi menunjukkan tidak banyak data yang diramal mengikut aliran data sebena
validasi menunjukkan hampir kebanyakkan data yang diramal mengikut aliran data sebena
l ini
validasi menunjukkan hampir kebanyakkan data yang diramal mengikut aliran data r. Rujuk Lampiran O3. Manakala bandingan antara data hujan sebenar dengan data ramalan kebanyakkannya adalah hampir sama. Rujuk Lampiran O4.
Bagi Stesen Ldg. Sg. Tiram daerah Johor Bahru iaitu stesen keempat, has output peramalan taburan hujan dengan menggunakan teknik rangkaian neural i menunjukkan bahawa prestasi adalah memuaskan kerana taburan data hu v
r. Rujuk Lampiran P3. Manakala bandingan antara data hujan sebenar dengan data ramalan kebanyakkannya adalah hampir sama. Rujuk Lampiran
Hasil output peramalan taburan hujan bagi stesen kelima iaitu Stesen Ldg. Simpang Renggam daerah Kluang dengan menggunakan teknik rangkaian neur menunjukkan bahawa prestasi adalah kurang memuaskan kerana taburan data huja b
r. Rujuk Lampiran Q3. Manakala bandingan antara data hujan sebenar dengan data ramalan kebanyakkannya tidak sama. Rujuk Lampiran Q4.
Hasil output peramalan taburan hujan bagi stesen keenam iaitu Stesen Ldg. Ulu Paloh daerah Kluang dengan menggunakan teknik rangkaian neural ini
menunjukkan bahawa prestasi adalah memuaskan kerana taburan data hujan bagi
r. Rujuk Lampiran R3. Manakala bandingan antara data hujan sebenar dengan data ramalan kebanyakkannya adalah hampir sama. Rujuk Lampiran R4.
Hasil output peramalan taburan hujan bagi stesen ketujuh iaitu Stesen Ldg. Getah Malaya daerah Kota Tinggi dengan menggunakan teknik rangkaian neura menunjukkan bahawa prestasi adalah memuaskan kerana taburan data hujan bagi
sebena
gi, ural hujan bagi validasi menunjukkan hampir kebanyakkan data yang diramal mengikut aliran data sebena
bu
ta hujan bagi validasi menunjukkan sebahagian data yang diramal mengikut aliran data sebena
eural an data hujan bagi validasi menunjukkan tidak banyak data yang diramal mengikut aliran data se
Ldg. ini data hujan bagi validasi menunjukkan tidak banyak data yang diramal mengikut aliran data sebena
r, ural data hujan r. Rujuk Lampiran S3. Manakala bandingan antara data hujan sebenar dengan data ramalan kebanyakkannya adalah hampir sama. Rujuk Lampiran S4.
Bagi stesen kelapan iaitu Stesen Rancangan Ulu Sebol daerah Kota Ting hasil output peramalan taburan hujan dengan menggunakan teknik rangkaian ne ini menunjukkan bahawa prestasi adalah memuaskan kerana taburan data
r. Rujuk Lampiran T3. Manakala bandingan antara data hujan sebenar dengan data ramalan kebanyakkannya adalah hampir sama. Rujuk Lampiran T4.
Hasil output peramalan taburan hujan bagi stesen kesembilan iaitu Stesen I Bekalan Kahang daerah Mersing dengan menggunakan teknik rangkaian neural ini menunjukkan bahawa prestasi adalah agak memuaskan kerana taburan da
r. Rujuk Lampiran U3. Manakala bandingan antara data hujan sebenar dengan data ramalan sebahagiannya adalah sama. Rujuk Lampiran U4.
Hasil output peramalan taburan hujan bagi stesen kesepuluh iaitu Stesen Pusat Pertanian Endau daerah Mersing dengan menggunakan teknik rangkaian n ini menunjukkan bahawa prestasi adalah kurang memuaskan kerana tabur
benar. Rujuk Lampiran V3. Manakala bandingan antara data hujan sebenar dengan data ramalan kebanyakkannya tidak sama. Rujuk Lampiran V4.
Hasil output peramalan taburan hujan bagi stesen kesebelas iaitu Stesen Temiang Renchong daerah Muar dengan menggunakan teknik rangkaian neural menunjukkan bahawa prestasi adalah kurang memuaskan kerana taburan
r. Rujuk Lampiran W3. Manakala bandingan antara data hujan sebenar dengan data ramalan kebanyakkannya tidak sama. Rujuk Lampiran W4.
Bagi stesen kedua belas iaitu Stesen Ldg. Gomali Batu Enam daerah Mua hasil output peramalan taburan hujan dengan menggunakan teknik rangkaian ne ini menunjukkan bahawa prestasi adalah agak memuaskan kerana taburan
bagi validasi menunjukkan sebahagian data yang diramal mengikut aliran data sebena
hasil
validasi menunjukkan tidak banyak data yang diramal mengikut aliran data sebenar. Rujuk Lampiran Y3. Manakala bandingan antara data hujan sebenar dengan
n
ana mal
mengikut aliran data sebenar. Rujuk Lampiran Z3. Manakala bandingan antara data hujan s
lidasi menunjukkan sebahagian data yang diramal mengikut aliran data ebenar. Rujuk Lampiran AA3. Manakala bandingan antara data hujan sebenar dengan
kut hujan r. Rujuk Lampiran X3. Manakala bandingan antara data hujan sebenar dengan data ramalan sebahagiannya adalah sama. Rujuk Lampiran X4.
Bagi stesen ketiga belas iaitu Stesen Ldg. Getah Kukup daerah Pontian, output peramalan taburan hujan dengan menggunakan teknik rangkaian neural ini menunjukkan bahawa prestasi adalah kurang memuaskan kerana taburan data hujan bagi
data ramalan kebanyakkannya tidak sama. Rujuk Lampiran Y4.
Hasil output peramalan taburan hujan bagi stesen keempat belas iaitu Stese Pintu Pasang Surut Senggarang daerah Pontian dengan menggunakan teknik rangkaian neural ini menunjukkan bahawa prestasi adalah kurang memuaskan ker taburan data hujan bagi validasi menunjukkan tidak banyak data yang dira
ebenar dengan data ramalan kebanyakkannya tidak sama. Rujuk Lampiran Z4.
Bagi stesen kelima belas iaitu Stesen Ldg. Segamat daerah Segamat, hasil output peramalan taburan hujan dengan menggunakan teknik rangkaian neural ini menunjukkan bahawa prestasi adalah agak memuaskan kerana taburan data hujan bagi va
s
data ramalan sebahagiannya adalah sama. Rujuk Lampiran AA4.
Hasil output peramalan taburan hujan bagi stesen keenam belas iaitu Stesen Ladang Mados Sermin daerah Segamat dengan menggunakan teknik rangkaian neural ini menunjukkan bahawa prestasi adalah memuaskan kerana taburan data hujan bagi validasi menunjukkan hampir kebanyakkan data yang diramal mengi aliran data sebenar. Rujuk Lampiran AB3. Manakala bandingan antara data
sebenar dengan data ramalan kebanyakkannya adalah hampir sama. Rujuk Lampiran AB4.
Walaupun terdapat model peramalan taburan hujan daripada beberapa taburan huja
stesen n yang menggunakna teknik rangkaian neural ini kurang memuaskan, ini tidak bermakna teknik rangkaian neural tidak sesuai digunakan untuk merekabentuk atau membangunkan model peramalan taburan hujan. Untuk membangunkan model peramalan taburan hujan, ia dipengaruhi oleh beberapa faktor yang mempengaruhi prestasi rangkaiannya. Antara faktor tersebut ialah penggunaan pemalar kadar pembelajara (lr), pemalar momentum (mc), kesan penjelmaan data, struktur
rangkaian dan bentuk data yang diperolehi. Sebahagian faktor yang mempengaruhi prestasi rangkaian telah diterangkan di dalam Bab 3. Manakala di dalam Bab 7 juga akan diterangkan kesimpulan mengenai faktor yang mempengaruhi prestasi
BAB 7
KESIMPULAN
7.1 Pengenalan
Peramalan merupakan suatu proses membuat penelahan atau ramalan suatu peristiwa yang akan datang. Peramalan juga merupakan suatu input kepada proses perancangan untuk suatu peristiwa yang tidak tahu apa natijahnya yang akan berlaku. Kebiasaannya individu atau organisasi tertentu yang memilih untuk membuat
peramalan adalah bertujuan untuk membuat perancangan awal mengenai sesuatu perkara atau peristiwa pada masa akan datang. Ia bertujuan untuk peningkatan produktiviti yang cemerlang, gemilang dan terbilang bagi sesebuah organisasi atau individu itu sendiri. Dengan adanya peramalan, objektif sesebuah organisasi dapat dicapai sekaligus sasaran pencapaian masa depan organisasi dapat dipenuhi.
Begitu juga dengan terhasilnya kajian ini. Kajian ini telah menghasilkan model peramalan taburan hujan bagi negeri Johor. Dengan terhasilnya model peramalan ini, dapat membantu pihak tertentu terutamanya pihak Jabatan Pengairan dan Saliran Johor (JPS) membuat peramalan taburan hujan untuk masa akan datang. Selain itu pihak JPS juga boleh menggunakan hasil peramalan hujan ini sebagai panduan untuk merancang sesuatu perkara yang berkaitan dengan cuaca. Disamping itu pihak JPS dapat membantu penduduk di setiap daerah yang terlibat dengan
membuat pemberitahuan mengenai ramalan hujan untuk beberapa hari akan datang. Dengan adanya peramalan hujan ini, manusia dapat membuat perancangan awal mengenai aktiviti seharian dan sebagainya.
Teknik yang digunakan dalam membuat model peramalan taburan hujan ini ialah Box-Jenkins dan rangkaian neural. Berdasarkan kepada analisa yang
dijalankan, model ramalan Rangkaian Neural telah di pilih sebagai model ramalan terbaik bagi kajian ini. Alasan mengapa model daripada kaedah Box Jenkins tidak di terima akan diterangkan pada bahagian 7.2.