Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKAsuransi pertanian berbasis indeks iklim di Indonesia belum memiliki riwayat klaim kerugian akibat kekeringan karena defisit hujan saat tesis ini ditulis. Padahal, riwayat tersebut dalam industri, secara empiris digunakan untuk perkiraan cadangan. Sementara itu pengembangannya kedepan, kerugian terekspektasi perlu diestimasi. Data curah hujan harian, sejak 1990 sampai dengan tahun 2015 di Kabupaten Majalengka, Jawa Barat, dianalisa untuk perkiraan kerugian hipotetikal, yang kejadiannya muncul kerena curah hujan kumulatifnya kurang dari nilai picu curah hujan defisit. Kerugian terekspektasi selama musim kemarau dan musim hujan di Kabupaten Majalengka adalah Rp 3.944.620,- dan Rp 4.667.250,- secara beruturan per kontrak polis bila pertanggungan berdasarkan modal produksi padi sebesar Rp 12.700.000,- per masa tanam per Ha tahun 2014 dengan nilai picu curah hujan 46,60 mm dan 361,37 mm secara berurutan.?

---

ABSTRACTThe records of claims losses due to drought or defisit rainfalls on the weather index based crop insurance in Indonesia have yet been available by the time this thesis is written. In fact, the records in the industry, are used empirically to estimate reserve. Meanwhile for the future development, the expected losses need to be estimated. The Daily rainfall data, from 1990 up to 2015 in Majalengka District, West Java, are analysed for estimating hypothetical losses, which events occur because the commulative rainfalls are less then the trigger of defisit rainfalls.The hypothetical expected losses during the dry season and wet season in Majalengka District are Rp 3,944,620, and Rp 4,667,250, in respectively per policy contract as the coverage basis is on the farming production cost in amount of Rp 12,700,000. per period of cultivation per Ha with the trigger of rainfalls are 46.60 mm dan 361.37 mm respectively. "

"Curah hujan mempunyai dampak yang signifikan terhadap berbagai sektor kehidupan dan lingkungan. Misalnya, curah hujan membantu meningkatkan produktivitas pertanian, menjamin cadangan pangan dan air. Selain itu, curah hujan juga mempengaruhi kekeringan dan siklus air tanah. Oleh karena itu, mengetahui cara memperkirakan curah hujan di suatu daerah secara akurat sangat penting. Salah satu cara memperkirakan curah hujan adalah dengan menggunakan radar cuaca yang mengukur nilai reflektivitas, kemudian menggunakan persamaan Z-R untuk menghitung curah hujan yang terjadi. Namun, beberapa penelitian sebelumnya telah menggunakan model estimasi curah hujan kuantitatif dengan machine learning dari data radar hujan karena dapat memberikan prediksi yang lebih akurat dibandingkan persamaan Z-R. penelitian lain menyatakan bahwa gradient boosting menghasilkan estimasi curah hujan yang lebih akurat dibandingkan beberapa algoritma lainnya. Pada penelitian ini, estimasi curah hujan dilakukan pada satu wilayah dengan tipe curah hujan lokal di Kota Gorontalo. Estimasi ini dilakukan dengan membandingkan keakuratan dua metode: persamaan Z-R dan algoritma machine learning. Persamaan Z-R yang digunakan adalah persamaan Z-R oleh Marshall-Palmer (𝐴 = 200, 𝑏 = 1.6) dan Rosenfeld (𝐴 = 250, 𝑏 = 1.2), sedangkan algoritma machine learning yang digunakan adalah gradient boosting. Hasil perbandingan menunjukkan bahwa gradient boosting memberikan estimasi yang lebih akurat dibandingkan dengan kedua persamaan Z-R tersebut. Hasil estimasi algoritma gradient boosting memberikan nilai RMSE, MAE, dan R 2 masing-masing sebesar 0,61, 0,17, dan 0,86. Persamaan Marshall-Palmer Z-R menghasilkan nilai RMSE, MAE, dan R 2 sebesar 8,14, 3,66, dan -0,19. Estimasi persamaan Z-R Rosenfeld menghasilkan nilai RMSE, MAE, dan R 2 sebesar 8,18, 3,71, dan -0,20. Dari ketiga metrik tersebut, dapat disimpulkan bahwa gradient boosting memberikan estimasi yang paling akurat untuk curah hujan di wilayah dengan tipe hujan lokal di Kota Gorontalo.

---

Rainfall has a significant impact on various sectors of life and the environment. For example, rainfall helps increase productivity in agriculture, ensuring food reserves and water. In addition, rainfall also affects drought and the soil water cycle. Therefore, knowing how to estimate rainfall in an area accurately is essential. One way to estimate rainfall is to use a weather radar that measures reflectivity values, then use the Z-R equation to calculate the rainfall that occurs. However, Several previous studies have used machine learning quantitative rainfall estimation models from rain radar data because it can provide more accurate predictions than the Z-R equation. Another study state that gradient boosting provides more accurate rainfall estimation than several other algorithms. In this study, rainfall estimation was carried out in an area with local rainfall types in Gorontalo City. This estimation is done by comparing the accuracy of two methods: the Z-R equation and machine learning algorithms. The Z-R equation used is the Z-R Equation by Marshall-Palmer (𝐴 = 200, 𝑏 = 1.6) and Rosenfeld (𝐴 = 250, 𝑏 = 1.2), while the machine learning algorithm used is gradient boosting. The comparison results show that gradient boosting provides a more accurate estimation than the two ZR equations. The gradient boosting algorithm estimation results provide RMSE, MAE, and R 2 values of 0.61, 0.17 and 0.86, respectively. The Marshall-Palmer Z-R equation obtained RMSE, MAE, and R 2 values of 8.14, 3.66, and -0.19. The estimation of Rosenfeld's Z-R equation resulted in RMSE, MAE, and R 2 values of 8.18, 3.71, and - 0.20. From these three metrics, it is concluded that gradient boosting provides the most accurate estimate for rainfall in areas with localized rainfall types in Gorontalo City."

"Curah hujan merupakan unsur iklim yang memiliki keragaman dan fluktuasi yang tinggi di Indonesia. Hal ini membuat curah hujan merupakan unsur iklim yang paling dominan untuk mencirikan iklim di Indonesia. Berdasarkan gerakan udara naik untuk membentuk awan, terdapat tiga tipe hujan yaitu konvektif, orografik, dan gangguan. Pengukuran terhadap curah hujan dapat dilakukan dalam berbagai metode, salah satunya dengan menggunakan pengukuran jarak jauh yaitu radar (Radio Detecting and Ranging). Pada studi ini dilakukan perhitungan radar cuaca dengan menggunakan machine learninguntuk mengkaji keakuratan perhitungan data radar cuaca terhadap estimasi curah hujan di Pulau Biak, Indonesia. Produk dari radar cuaca merupakan data reflektifitas (Z). Penggunaan machine learning ini diterapkan pada data reflektifitas radar cuaca dimana data yang digunakan adalah C-MAX atau Column Maximum. Data curah hujan pada periode Desember 2021 sampai Februari 2022 di Kabupaten Biak diolah menggunakan algoritma yang berbeda, yaitu Decision Tree, Random Forest, Adaptive Boosting, Gradient Boosting Extreme Gradient Boosting. Hasil dari studi ini akan menunjukkan algoritma terbaik yang dapat digunakan untuk memprediksi estimasi curah hujan konvektif di Pulau Biak, Indonesia. Berdasarkan penelitian yang sudah dilakukan, didapatkan hasil R2 pada algoritma Decision Tree sebesar 0,70; Random Forest 0,60; Adaptive Boosting sebesar 0,42; Gradient Boosting sebesar 0,71 dan Extreme Gradient Boosting sebesar 0,73. Hasil analisis menunjukkan bahwa algoritma Extreme Gradient Boosting dapat memberikan estimasi curah hujan paling baik di Pulau Biak, Indonesia.

---

Rainfall is an element of climate with high diversity and fluctuation in Indonesia. This makes rainfall the most dominant climate element to characterize the climate in Indonesia. Based on the movement of rising air to form clouds, there are three types of rain: convective, orographic, and disturbance. Rainfall can be measured in various methods, one of which is by using remote measurement, namely radar (Radio Detecting and Ranging). In this study, weather radar calculations were carried out using machine learning to assess the accuracy of weather radar data calculations on the estimated rainfall value on Biak Island, Indonesia. The product of weather radar is reflectivity (Z) data. The use of machine learning is applied to weather radar reflectivity data where the data used is C-MAX or Column Maximum. Rainfall data from December 2021 to February 2022 in Biak Regency is processed using five different algorithms: Decision Tree, Random Forest, Adaptive Boosting, Gradient Boosting, and Extreme Gradient Boosting. The result of this study will show the best algorithm that can be used to predict convective rainfall estimation in Biak Island, Indonesia. Based on the research that has been done, the R2 results obtained on the Decision Tree algorithm of 0.70; Random Forest 0.60; Adaptive Boosting of 0.42; Gradient Boosting of 0.71 and Extreme Gradient Boosting of 0.73. The analysis shows that the Extreme Gradient Boosting algorithm can estimate the best rainfall in Biak Island, Indonesia."

"Radio Detection and Ranging (Radar) cuaca merupakan instrumen meteorologi yang umum digunakan dalam mengidentifikasi curah hujan menggunakan prinsip kerja pulsa Doppler. Produk radar berupa data reflektifitas (Z) dengan satuan [dBZ] diyakini memiliki hasil yang sebanding dengan data tampungan air hujan oleh tipping bucket. Namun, hal ini dapat berbanding terbalik oleh adanya pengaruhi dari kecepatan angin yang berhembus secara horizontal, dimana dapat membawa sejumlah droplet hujan sehingga tidak bisa terekam oleh tipping bucket. Pada penelitian ini, dilakukan pengukuran curah hujan dan kecepatan angin pada Stasiun Meteorologi Kelas I Djalaluddin, Gorontalo, Indonesia pada bulan Desember 2021 sampai Februari 2022. Pengolahan data berbasis Machine Learning dengan jenis algoritma berupa Decision Tree, Random Forest, AdaBoost, dan Gradient Boosting. Pengolahan data menggunakan data reflektivitas radar dan data besar kecepatan angin sebagai input, serta data curah hujan oleh tipping bucket digunakan sebagai data target. Dalam penelitian ini digunakan metriks evaluasi untuk mengetahui nilai algoritma yang paling baik dengan nilai matriks kesalahan RMSE, MSE, dan MAE yang relatif rendah dan hasil Rooted Squared Error (R-squared) yang mendekati 1. Hasil penelitian ini digunakan untuk mengetahui pengaruh kecepatan angin terhadap estimasi curah hujan di Gorontalo, Indonesia, serta mengetahui jenis algoritma yang paling baik untuk mengestimasinya.

---

Weather Radio Detection and Ranging (Radar) is a meteorological instrument used in identifying rainfall using the working principle of Doppler pulses. Radar products in the form of reflectivity (Z) data with units of [dBZ] are believed to have comparable results with rainwater storage data by tipping buckets. However, this can be inversely affected by the horizontal wind speed, which can carry the rain droplets that cannot be recorded by the tipping bucket. In this study, rainfall and wind speed measurements were taken at the Djalaluddin Class I Meteorological Station, Gorontalo, Indonesia from December 2021 to February 2022. Based on Machine Learning data processing with algorithm types such as Decision Tree, Random Forest, AdaBoost, and Gradient Boosting. Data processing uses radar reflectivity data and wind speed data as input, and rainfall data by tipping bucket is used as target data. In this study, an evaluation metric is used to determine the best algorithm value with relatively low RMSE, MSE, and MAE error matrix values and Rooted Squared Error (R-squared) results. The results of this study are used to determine the effect of wind speed on rainfall estimation in Gorontalo, Indonesia, and to determine the best type of algorithm to estimate it."

"Setiap hari masyarakat dihadapkan pada risiko kehilangan, kegagalan, bahkan kematian akibat kecelakaan lalu lintas. Cara mengatasi ketidakpastian dan mengendalikan risiko kecelakaan lalu lintas jalan adalah dengan mengalihkan risiko tersebut kepada pihak atau perusahaan lain yang disebut asuransi. Memperkirakan kerugian agregat penting bagi perusahaan asuransi untuk memprediksi kewajiban dan mengukur tingkat kecukupan dana perusahaan. Kerugian agregat pada asuransi kecelakaan lalu lintas dapat dihitung berdasarkan dua variabel, severity klaim dan frekuensi klaim. Severity klaim dan frekuensi klaim memiliki jenis distribusi yang berbeda dan terkadang memiliki hubungan yang saling mempengaruhi, sehingga tidak mudah untuk memodelkannya. Salah satu metode analisis statistik yang digunakan untuk menggabungkan dua distribusi data berbeda yang saling berkaitan adalah metode copula. Melalui studi kasus pada perusahaan asuransi PT XYZ, kerugian agregat akan dihitung dengan menggunakan model berbasis copula. Penentuan model terbaik dan akurasi model ditentukan berdasarkan Akaike Information Criterion (AIC), Root Mean Square Error (RMSE) terkecil, dan uji Vuong. Berdasarkan hasil analisis yang diperoleh bahwa model copula Clayton merupakan model terbaik untuk memperkirakan kerugian agregat pada perusahaan asuransi PT XYZ dimasa yang akan datang.

---

Every day people are faced with the risk of loss, failure, and even death due to traffic accidents. The way to overcome uncertainty and control the risk of road traffic accident is by transferring the risk to another party or company called insurance. Estimating aggregate losses is important for insurance companies to predict liabilities and measure the level of adequacy of company funds. Aggregate losses on traffic accident insurance can be calculated based on two variables, claim severity and claim frequency. Claim severity and claim frequency have different types of distribution and sometimes have relationships that affect each other, so it's not easy to model it. One of the statistical analysis methods used to combine two different data distributions that are related is the copula method. Through a case study on the insurance company PT XYZ, aggregate losses will be calculated using a copula based model. The best model is determined based on the smallest value of Akaike Information Criterion (AIC) and Root Mean Square Error (RMSE) and also by Vuong test. Based on the analysis, explain that Clayton copula is the best model to estimate aggregate losses at the insurance company PT XYZ in the future."

"Beberapa jenis instrumen curah hujan yang banyak dipakai seperti rain gauge, citra satelit, dan radar cuaca masih memiliki kekurangan terutama pada resolusi spasial. Instrumen curah hujan alternatif yang banyak dikembangkan adalah dengan menggunakan model Deep Learning dengan masukan citra tangkapan kamera pengawas. Beberapa studi telah berhasil membangun model untuk mendapatkan nilai curah hujan dengan berbagai performa. Namun salah satu kendala yang ditemui dalam pembangunan sistem estimasi curah hujan adalah latar belakang rintik hujan pada citra kamera pengawas. Objek latar belakang yang lebih mengisi citra dibandingkan rintik hujan membuat model dengan banyak bentuk latar belakang tidak dapat mencapai performa yang diinginkan. Penelitian ini menganalisa pengaruh bentuk latar belakang citra kamera pengawas terhadap performa dari sistem estimasi curah hujan. Sistem estimasi curah hujan dibuat dengan model berarsitektur RFCNN (Rainfall Convolutional Neural Network). Objek latar belakang citra yang dipilih pada penelitian ini terdiri dari gedung, jalan beraspal, atap, dan kombinasi antara keduanya. Data curah hujan referensi didapat dari perangkat tipping bucket dengan resolusi 0,2 mm/menit. Hasil eksperimen menunjukan bahwa gedung menjadi bentuk objek latar belakang yang menghasilkan performa yang terbaik dengan nilai MAE sebesar 0.0823 dan MSE sebesar 0.0164, dengan catatan citra yang digunakan adalah citra grayscale. Hasil dari pengujian model menunjukan performa dipengaruhi oleh eksistensi benda bergerak pada latar belakang rintik hujan.

---

Several types of rainfall measurement instrumens, such as Rain Gauge, satellite imagery, and weather radar, still have limitations, especially in spatial resolution. An alternative rainfall measurement instrumen that has been widely developed is using Deep Learning models with input from surveillance camera images. Some studies have successfully built models to estimate rainfall values with various performances. However, one of the challenges encountered in the development of rainfall estimation systems is the background of surveillance camera images. Objects in the background that occupy a significant portion of the image compared to raindrops make models with certain background shapes unable to achieve the desired performance.This research analyzes the influence of background image shapes from surveillance camera images on the performance of a rainfall estimation system. The estimation system is built using the RFCNN (Rainfall Convolutional Neural Network) architecture. The selected background objects in this study include buildings, paved roads, roofs, and combinations of both. The reference of rainfall data are obtained from a Tipping Bucket device with a resolution of 0.2 mm/minute. The experimental results show that buildings are the background object shape that yields the best performance, with an MAE (Mean Absolute Error) value of 0.0823 and an MSE (Mean Squared Error) value of 0.0164, given that grayscale images are used. The model testing results indicate that performance is influenced by the presence of moving objects in the raindrop background."

"Curah hujan merupakan salah satu unsur iklim yang sangat bervariasi terhadap ketinggian dalam distribusi spasial dan temporalnya. Distribusi curah hujan spasial dan temporal didapatkan dari radar cuaca dan stasiun observasi. Melalui pemetaan spasial dan temporal penelitian ini akan mengungkapkan perbandingan distribusi curah hujan antara radar cuaca dengan stasiun observasi curah hujan terhadap ketinggian. Hasil pengolahan data menunjukan distribusi curah hujan terbanyak pada ketinggian 500-1.000 mdpl dimana semakin tinggi ketinggian tempat maka distribusi curah hujannya semakin menurun baik dari hasil radar cauca maupun stasiun observasi. Analisis temporal memberikan hasil kesamaan waktu kejadian curah hujan tertinggi dari radar cuaca dan stasiun observasi pada pukul 12:00 sampai 18:00.

---

Rainfall is one of the climate element that highly variable from elevation in spatial and temporal distribution. The spatial and temporal rainfall distribution obtained from weather radar and observation stations. This research will reveal rainfall distribution comparison between weather radar with rainfall observation station of elevation. Through spatial and temporal mapping of.

The results of data processing shows rainfall distribution at an altitude 500-1.000 meters above sea level where the higher altitude of the distribution of rainfall decreases both from the weather radar and observation stations. Temporal analysis provides results in common occurrence time of the highest rainfall weather radar and weather observation station at 12:00 to 18:00."

"ABSTRAKPemerintah Indonesia telah menerapkan asuransi pertanian tradisional untuk mengatasi risiko gagal panen yang mungkin dihadapi oleh petani. Asuransi pertanian ini meru- pakan implementasi dari Undang-Undang Nomor 19 Tahun 2013 mengenai Perlindun- gan dan Pemberdayaan Petani. Asuransi pertanian yang saat ini berlaku di Indonesia merupakan asuransi pertanian tradisional. Selain asuransi pertanian tradisional, terdapat asuransi jenis lain yaitu asuransi yang berbasis indeks curah hujan. Salah satu metode un- tuk perhitungan premi asuransi pertanian berdasarkan curah hujan adalah metode Black- Scholes. Metode Black-Scholes dapat digunakan karena terdapat kemiripan karakteristik antara opsi put dan asuransi. Untuk menerapkan perhitungan premi asuransi pertanian berdasarkan rata-rata curah hujan, digunakan data curah hujan dan luas panen. Letak provinsi Banten yang strategis dan kekayaan alam yang melimpah menyebabkan Banten dapat menjadi lumbung padi nasional. Dalam pelaksanaan usaha tani, pertanian sangat erat kaitannya dengan curah hujan. Oleh karena itu, skripsi ini akan berfokus pada per- hitungan premi asuransi pertanian berdasarkan rata-rata curah hujan. Risiko pertanian yang digunakan adalah kekeringan akibat rendahnya curah hujan yang mungkin dialami oleh petani. Uang pertanggungan pada asuransi pertanian berdasarkan rata-rata curah hu- jan ini akan dibayarkan apabila terjadi curah hujan di bawah parameter pemicu. Besar premi akan dihitung menggunakan metode Black Scholes yang biasa digunakan untuk menghitung harga opsi. Besar premi asuransi pertanian akan semakin besar apabila besar parameter pemicu semakin besar. Hal ini sesuai dengan sifat harga opsi yang meningkat bila strike price meningkat.

---

ABSTRACTThe Indonesian government has implemented a traditional crop insurance to address the risk of the crop failure that might be faced by farmers. This crop insurance is the im- plementation of Undang-Undang Nomor 19 Tahun 2013 tentang Perlindungan dan Pem- berdayaan Petani (the Protection and Empowerment of Farmers). The crop insurance which is currently applied in Indonesia is traditional crop insurance. In addition to the traditional crop insurance, there is another type of insurance, namely rainfall index based insurance. One of the methods for calculating crop insurance premiums based on rainfall is the Black-Scholes method. The Black-Scholes method can be used because there is similar characteristic between the put options and the insurance. To apply the calculation of agricultural insurance premiums based on average rainfall, rainfall and harvest area data are used. The strategic location of Banten province and abundant natural wealth can make Banten a national granary. In the implementation of farming, crop is very closely related to rainfall. Therefore, this paper will focus on calculation of the crop insurance premiums based on average rainfall. The crop risk used is drought due to the low rainfall that may be experienced by farmers. The sum insured on agricultural insurance based on this average rainfall will be paid in the event of rainfall under the trigger parameters. The premium will be calculated by using the Black Scholes method which is usually used to calculate the option price. The amount of agricultural insurance premiums will be greater if the size of the trigger parameters increases. This happens to the increasing option price if the strike price increases."

"ABSTRAKPerusahaan asuransi adalah perusahaan yang menerima pelimpahan risiko atas diri tertanggung, sehingga perusahaan asuransi perlu memperhatikan kerugian yang ditimbulkan sebagai akibat terjadinya klaim. Mengestimasi kerugian klaimmerupakan tugas penting bagi perusahaan asuransi untuk memprediksi kewajibanmereka. Total kerugian dalam portofolio perusahaan didefinisikan sebagaisejumlah kerugian polis. Kerugian polis pada asuransi kesehatan dapat dihitungberdasarkan dua variabel, yaitu frekuensi dan severity klaim. Dalam literaturStatistika, joint distribution adalah metode analisis statistika yang dapatmenggabungkan dua distribusi data yang berbeda, salah satunya adalah Copula.Tesis ini memberikan penjelasan tentang Copula dalam mengestimasi kerugianpolis pada asuransi kesehatan dimana studi kasus yang diambil adalah perusahaanasuransi XYZ. Selanjutnya, penulis melakukan regresi antara kedua GeneralizedLinear Model (GLM) dari frekuensi klaim dan severity klaim dengan menggunakanmodel regresi berbasis copula yang diestimasi dengan Maximum LikelihoodEstimation (MLE). Model terbaik dan keakuratan model ditentukan berdasarkannilai Akaike Information Criterion (AIC) dan Root Mean Square Error (RMSE)terkecil. Pada akhirnya, model regresi berbasis copula Frank lebih baikdibandingkan model regresi berbasis copula lainnya yang dapat digunakan untukmemprediksi kerugian polis asuransi kesehatan pada periode berikutnya

---

ABSTRACTThe insurance company is a company that received delegation of the risks it hasinsured, so that this company needs to pay attention to losses incurred as a result ofa claim. Estimating losses of claim is an important task for insurance companies topredict their obligations. Total losses in the company's portfolio is defined as theamount of loss policy. Losses in the health insurance policy can be calculated basedon two variables: the frequency and severity of claims. In the literature of Statistics,joint distribution is a method of statistical analysis that can combine two differentdata distribution, it is Copula. This thesis aims to provide a study of Copula for theestimation of loss claims in health insurance, case study is taken from an insurancecompany XYZ. Further, the authors conducted a regression between theGeneralized Linear Model (GLM) of claim frequency and claim severity usingCopula-based Regression Model is estimated by Maximum Likelihood Estimation(MLE). The best model and model accuracy is determined based on the smallest ofAkaike Information Criterion (AIC) and Root Mean Square Error (RMSE). In theend of analysis, Frank Copula-based Regression Model is better than other CopulabasedRegression Model that can be used to predict the loss of health insurancepolicy in the next period."

"Penerapan fotovoltaik (PV) sebagai atap pada wilayah Tropis dengan curah hujan yang tinggi memiliki orientasi dan sudut kemiringan atap yang berbeda dengan wilayah Tropis lainnya. Adapun hal yang mempengaruhi penerapan PV sebagai atap pada wilayah Tropis dengan curah hujan tinggi adalah energi yang didapatkan oleh PV, dan kondisi suhu dalam ruang pada bangunan. Penelitian ini bertujuan untuk mendapatkan orientasi beserta sudut kemiringan atap untuk penerapan PV di wilayah Tropis dengan curah hujan tinggi beserta pengaruh suhu ruangan dan energi yang dapat dihasilkan. Metode penelitian menggunakan simulasi menggunakan software REVIT dan pengukuran secara langsung (suhu lingkungan dan ruangan, energi yang dihasilkan PV). Penggunaan simulasi bertujuan untuk mendapatkan orientasi dan sudut kemiringan atap yang optimal untuk menerapkan PV sebagai atap dan pengukuran secara langsung bertujuan untuk mendapatkan pengaruh penerapan PV sebagai atap pada ruang dan pemanfaatan energi yang dihasilkan PV pada bangunan. Berdasarkan hasil yang didapatkan orientasi dan sudut kemiringan yang optimal pada penerapan PV sebagai atap di wilayah Tropis dengan curah hujan yang tinggi adalah orientasi Timur Laur dengan rentang azimut 70⁰ hingga 40⁰ dan sudut kemiringan 10⁰ hingga 25⁰. Kemudian pengaruh PV sebagai atap menunjukan bahwa suhu di ruangan lebih rendah 0,9⁰C dibandingkan dengan penggunaan atap spandek. Penerapan PV sebagai atap untuk satu unit PV (380 Wp) mampu memenuhi kebutuhan listrik 5 buah lampu DC dengan daya 10 watt selama 5,5 jam.

---

The application of photovoltaic (PV) as a roof in tropical areas with high rainfall has a roof design that is different from other tropical areas. The things that affect the application of PV as a roof in tropical areas with high rainfall are the energy obtained by PV, and the temperature of the space in the building. This study discusses the roof design to apply PV based on the orientation and angle of the roof slope, the effect of space conditions on the application of PV as a roof, and the utilization of energy generated by PV for buildings. The research method uses simulation using REVIT software and empirical measurements. The purpose of the simulation aims to obtain the optimal orientation and angle of inclination of the roof to apply PV as a roof and direct measurements aim to obtain the effect of applying PV as a roof to the Building’s temperature and the utilization of energy produced by PV in buildings. Based on the results obtained, the optimal orientation and angle of inclination for the application of PV as a roof in the tropics with high rainfall is an east orientation and a slope angle of 30⁰. Then the effect of PV as a roof shows that the temperature in the room is 0.9⁰C lower than the use of spandek roofs. The application of PV as a roof for one PV unit (380 Wp) is able to meet the electricity needs of 5 DC lamps with a power of 10 watts for 5.5 hours."