|
UPSI Digital Repository (UDRep)
|
|
| ||||||||||||||||||||
| Abstract : Universiti Pendidikan Sultan Idris |
| Peningkatan permintaan sumber air selari dengan peningkatan jumlah penduduk terutamanya di kawasan bandar. Hal ini menunjukkan terdapat keperluan bagi meramal aras air sungai supaya air yang mencukupi dapat disalurkan ke empangan utama bagi memenuhi permintaan penduduk. Maka, kajian ini dilaksanakan untuk membina model peramalan dengan menggunakan pendekatan kalut terhadap data siri masa aras air Sungai Klang yang terletak di kawasan bandar. Peramalan berasaskan pendekatan kalut dibahagikan kepada dua fasa iaitu pengesanan telatah kalut dan proses peramalan. Pengesanan telatah kalut dilaksanakan dengan menggunakan kaedah ujian 0 – 1. Manakala, peramalan dilaksanakan dengan menggunakan kaedah penghampiran linear setempat (KPLS). Dapatan kajian menunjukkan bahawa data siri masa aras air di Sungai Klang adalah bertelatah kalut dengan menggunakan kaedah ujian 0 – 1. Seterusnya, peramalan dengan menggunakan KPLS menunjukkan bahawa peramalan yang dilaksanakan adalah bagus kerana hasil peramalan menunjukkan siri masa ramalan dan siri masa sebenar adalah hampir sama antara satu sama lain dengan nilai pekali kolerasi yang diperolehi adalah 0.8002. Oleh itu, aras air di Sungai Klang berjaya diramal dengan menggunakan pendekatan kalut dan dijangka dapat membantu pihak yang bertanggungjawab dalam mengoptimumkan pengurusan sumber air di Selangor.
|
| References |
Adenan, N. H., & Md Noorani, M. S. (2016). Multiple Time-Scales Nonlinear Prediction of River Flow Using Chaos Approach. Jurnal Teknologi, 78(7). https://doi.org/10.11113/jt.v78.3561 Adenan, N. H., & Noorani, M. S. (2015). Peramalan data siri masa aliran sungai di dataran banjir dengan menggunakan pendekatan kalut. Sains Malaysiana, 44(3), 463–471. https://doi.org/10.17576/jsm-2015-4403-19 Azim Mohd Zanuddin, I., Saleh, Y., Mahat Jabatan Geografi, H., Sekitar, A., & Sains Kemanusiaan, F. (2018). Pembinaan Indikator Konstruk Sosioekonomi Bagi Mengukur Kesejahteraan Penduduk Dalam Kawasan Pinggiran Wilayah Metropolitan Lembah Klang-Langat, Malaysia. GEOGRAFI, 6(6), 90–100. https://ejournal.upsi.edu.my/index.php/GEOG/article/view/2091 Berita Harian Online. (2015, April). Hidup terjejas tanpa air. 1–5. Cao, L. (1997). Practical method for determining the minimum embedding dimension of a scalar time series.Physica D: Nonlinear Phenomena, 110(1–2), 43–50. https://doi.org/10.1016/S0167-2789(97)00118-8 Chettih, M., Chorfi, K., & Mouattah, K. (2015). Combining a neural network with deterministic chaos theory using phase space reconstruction for daily rainfall-runoff forecasting. 12th International Symposium on Programming and Systems, ISPS 2015, 181–187. https://doi.org/10.1109/ISPS.2015.7244983 Ghorbani, M. A., Khatibi, R., Danandeh Mehr, A., & Asadi, H. (2018). Chaos-based multigene genetic programming: A new hybrid strategy for river flow forecasting. Journal of Hydrology, 562, 455–467. https://doi.org/10.1016/j.jhydrol.2018.04.054 Gottwald, G. A., & Melbourne, I. (2009). On the Implementation of the 0–1 Test for Chaos ∗. 8(1), 129–145. Gottwald, G. A., & Melbourne, I. (2014). A test for a conjecture on the nature of attractors for smooth dynamical systems. Chaos, 24(2). https://doi.org/10.1063/1.4868984 Hamid, N. Z. A. (2015). Pemodelan siri masa kepekatan bahan pencemar udara 03,PM10 dan jerebu menerusi pendekatan kalut. Universiti Kebangsaan Malaysia (UKM). Hardy, K. (2005). Linear Algebra for Engineers and Scientists using Matlab. Pearson Education, Inc. Jabatan Pengairan dan Saliran. (2016). Laporan Tahunan JPS 2016. Jabatan Perancangan Bandar dan Desa Negeri Selangor. (2015). Draf Rancangan Struktur Negeri Selangor 2035. Kumar, D., Vatsala, K., Pattanashetty, S., & Sandhya, S. (2019). Comparison of Rainfall Forecasting Using Artificial Neural Network and Chaos Theory. Lecture Notes in Electrical Engineering, 545, 413–422. https://doi.org/10.1007/978-981-13-5802-9_38 Mashuri, A., Adenan, H., & Hamid, N. Z. A. (2019). Determining the Chaotic Dynamics of Hydrological Data in Flood-Prone Area. Civil Engineering and Architecture, 7(6A), 71–76. https://doi.org/10.13189/cea.2019.071408 Sapini, M. L., Adam, N. S., Ibrahim, N., Rosmen, N., & Yusof, N. M. (2017). The presence of chaos in rainfall by using 0-1 test and correlation dimension. AIP Conference Proceedings, 1905(1), 050040. https://doi.org/10.1063/1.5012259 Shiri, J., Shamshirband, S., Kisi, O., Karimi, S., Bateni, S. M., Hosseini Nezhad, S. H., & Hashemi, A. (2016). Prediction of Water-Level in the Urmia Lake Using the Extreme Learning Machine Approach. Water Resources Management, 30(14), 5217–5229. https://doi.org/10.1007/s11269-016-1480-x Velickov, S. (2004). Nonlinear Dynamics and Chaos. A.A.Balkema Publishers. Wang, X., & Babovic, V. (2014). Enhancing water level prediction through model residual correction based on Chaos theory and Kriging. International Journal for Numerical Methods in Fluids, 75(1), 42–62. https://doi.org/10.1002/fld.3883 Zaim, W. N. A. W. M., & Hamid, N. Z. A. (2017). Peramalan Bahan Pencemar Ozon (O3 ) di Universiti Pendidikan Sultan Idris, Tanjung Malim, Perak, Malaysia Mengikut Monsun dengan Menggunakan Pendekatan Kalut. Sains Malaysiana, 46(12), 2523–2528. https://doi.org/10.17576/jsm-2017-4612-30
|
| This material may be protected under Copyright Act which governs the making of photocopies or reproductions of copyrighted materials. You may use the digitized material for private study, scholarship, or research. |