Threshold akan otomatis dihitung berdasarkan median dari kolom P_gro pada data training Anda.
Catatan: Pastikan file Excel Anda memiliki kolom: Tahun, Tanggal, P_sat, dan P_gro
Berkas Excel berisi data hujan periode 2000-2019
Berkas Excel berisi data hujan periode 2020-2023
Pemetaan Kolom Excel
Tahun:Kolom yang berisi tahun pengamatan
Tanggal:Kolom yang berisi tanggal pengamatan (format: DD/MM/YYYY)
P_sat:Kolom data curah hujan dari satelit
P_gro:Kolom data curah hujan dari ground observation
Info Debug
Kolom yang ditemukan di file Excel Anda:
Contoh data (baris pertama):
Pratinjau Data
Statistik Data
Total Data Training:-
Total Data Implementasi:-
Threshold (Median P_gro):-
Tahun
Tanggal
P_sat
P_gro
Tahun
Tanggal
P_sat
P_gro
Model Machine Learning
Random Forest
Siap
Random Forest Regressor berbasis bootstrap, pohon CART, random subspace, dan reduksi impurity SSE/MSE.
-
RMSE
-
NSE
-
R²
-
OF
Neural Network
Siap
Feed-forward Neural Network dengan hidden layer ReLU, optimizer Adam, loss MSE, dan data ternormalisasi.
-
RMSE
-
NSE
-
R²
-
OF
LSTM
Siap
LSTM sequence model untuk menangkap dependensi temporal P_sat, lag, rolling mean, dan fitur musiman.
-
RMSE
-
NSE
-
R²
-
OF
Stacking Ensemble
Siap
Meta-learner regresi linear yang dilatih dari prediksi RF, NN, dan LSTM pada validation subset internal.
-
RMSE
-
NSE
-
R²
-
OF
Perbandingan Model
Model Terbaik
Belum ada model yang dilatih
Model dipilih berdasarkan OF terendah.
Jika OF sama, tie-breaker: MAE → KGE → PBIAS.
Unduh Hasil
Hasil Validasi
Periode Training (2000-2019)
Periode Implementasi (2020-2023)
Informasi Threshold
Threshold yang digunakan:-
Threshold dihitung berdasarkan median dari P_gro pada data training.
Data Training
Di bawah threshold: -
Di atas threshold: -
Data Uji
Di bawah threshold: -
Di atas threshold: -
Data Implementasi
Di bawah threshold: -
Di atas threshold: -
Analisis Data Training
Analisis Data Uji
Analisis Data Implementasi
Tabel Ringkas Hasil Validasi
Metodologi
Algoritma Empat Model
Random Forest Regressor:
Ensemble pohon regresi CART menggunakan bootstrap sampling, random subspace, dan pemilihan split berdasarkan penurunan SSE/MSE. Prediksi akhir merupakan rata-rata prediksi seluruh pohon; model final dilatih pada seluruh 80% data training.
Feed-forward Neural Network:
Dense(24, ReLU) → Dropout(0,05) → Dense(12, ReLU) → Dense(1), optimizer Adam, dan loss MSE pada data ternormalisasi. Validation subset internal hanya menentukan epoch; model final kemudian dilatih ulang pada seluruh 80% data training.
LSTM:
Sequence window P_sat dan fitur temporal → LSTM(12) → Dense(8, ReLU) → Dense(1), optimizer Adam, loss MSE, validation loss, dan early stopping. Epoch terpilih digunakan untuk melatih ulang model final pada seluruh 80% data training.
Stacking Ensemble:
Meta-regression linear dilatih menggunakan prediksi held-out Random Forest, Neural Network, dan LSTM pada validation subset internal; seluruh model dasar final tetap dilatih pada 80% data training, lalu stacking diterapkan pada independent test dan data implementasi.
Metrik Evaluasi
RMSE dan MAE:
RMSE = √mean((Pred − Obs)²)
MAE = mean(|Pred − Obs|)
OF = 0,30E_RMSE + 0,25E_KGE + 0,15E_PBIAS + 0,20E_CSI + 0,10E_R Semakin kecil OF, semakin baik. Bobot dinormalisasi otomatis sehingga jumlahnya sama dengan 1.
Pemilihan Model Terbaik
Model dipilih berdasarkan OF terendah pada independent test.
Jika OF sama, tie-breaker berurutan: MAE terendah → KGE tertinggi → |PBIAS| terendah → CSI tertinggi.
Prediksi negatif dibatasi menjadi 0 mm pada evaluasi, visualisasi, dan keluaran.