HOSTJOURNALSHOSTJOURNALS

Bulletin of Computer Science ResearchBulletin of Computer Science Research

Prediksi parameter lingkungan berperan penting dalam mendukung pemantauan kondisi cuaca serta pengambilan keputusan berbasis data, khususnya di wilayah perkotaan seperti Semarang. Namun, akurasi prediksi sering kali dipengaruhi oleh keterbatasan model dalam menangkap hubungan antarparameter lingkungan. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja dua pendekatan Long Short-Term Memory (LSTM), yaitu Multivariat dan Univariat, dalam memprediksi suhu udara (temperature) sebagai variabel dependen. Pada model Multivariat, prediksi suhu dipengaruhi oleh variabel independen lain seperti kelembaban (humidity), tekanan udara (pressure), dan ketinggian (altitude), sedangkan pada model Univariat, prediksi suhu dilakukan berdasarkan data suhu masa lalu. Evaluasi kinerja dilakukan menggunakan Root mean Square Error (RMSE), Mean Square Error (MSE), dan Mean Absolute percentage Error (MAPE). Hasil pengujian menunjukkan bahwa model LSTM Multivariat menghasilkan nilai error yang lebih rendah untuk parameter temperature dan pressure, sedangkan model LSTM Univariat lebih unggul pada humidity dan altitude. Dengan demikian, model Multivariat lebih sesuai digunakan ketika hubungan antarparameter lingkungan berpengaruh signifikan terhadap hasil prediksi.

Berdasarkan hasil pengujian yang telah dilakukan, diperoleh bahwa model LSTM multivariat dan LSTM univariat menunjukkan tingkat akurasi yang bervariasi pada setiap parameter lingkungan, yaitu temperature, humidity, pressure, dan altitude.Pada peremeter temperature, model LSTM multivariat memberikan hasil yang lebih akurat dengan nilai RMSE sebesar 0.92%, dibandingkan model univariat yang menghasilkan RMSE 0.Secara keseluruhan, penelitian ini berhasil mencapai tujuannya, yaitu menganalisis dan membandingkan kinerja model LSTM multivariat dan univariat dalam memprediksi parameter lingkungan.Berdasarkan hasil evaluasi, model LSTM multivariat direkomendasikan sebagai model terbaik secara keseluruhan karena mampu menangkap hubungan antarvariabel dengan lebih efektif dan memberikan hasil prediksi yang lebih stabil pada sebagian besar parameter yang diuji.

Berdasarkan penelitian ini, terdapat beberapa arah pengembangan penelitian lanjutan yang menarik untuk dieksplorasi. Pertama, penelitian selanjutnya dapat menginvestigasi pengaruh berbagai arsitektur LSTM, seperti penambahan lapisan atau perubahan jumlah neuron, terhadap akurasi prediksi parameter lingkungan. Eksplorasi ini dapat membantu mengidentifikasi konfigurasi model yang paling optimal untuk menangkap pola kompleks dalam data cuaca. Kedua, penelitian dapat memperluas cakupan variabel input yang digunakan dalam model multivariat, misalnya dengan menambahkan data dari sensor kualitas udara atau data geografis. Integrasi data yang lebih komprehensif diharapkan dapat meningkatkan kemampuan model dalam memprediksi parameter lingkungan secara lebih akurat. Ketiga, penelitian dapat mengembangkan model ensemble yang menggabungkan prediksi dari beberapa model LSTM dengan arsitektur atau data input yang berbeda. Pendekatan ini dapat mengurangi risiko overfitting dan meningkatkan robustnes model terhadap perubahan kondisi cuaca. Dengan menggabungkan ketiga saran ini, diharapkan dapat menghasilkan model prediksi parameter lingkungan yang lebih akurat, robust, dan adaptif terhadap perubahan iklim dan urbanisasi.

  1. Login | PROSIDING SEMINAR NASIONAL SAINS DATA. prosiding seminar nasional sains data skip main content... prosiding-senada.upnjatim.ac.id/index.php/senada/article/view/253Login PROSIDING SEMINAR NASIONAL SAINS DATA prosiding seminar nasional sains data skip main content prosiding senada upnjatim ac index php senada article view 253
  2. Long Short-Term Memory (LSTM) Based Deep Learning Models for Predicting Univariate Time Series Data -... doi.org/10.18178/ijml.2024.14.1.1154Long Short Term Memory LSTM Based Deep Learning Models for Predicting Univariate Time Series Data doi 10 18178 ijml 2024 14 1 1154
  3. 0. pdf obj endobj xref trailer startxref eof 0klr pju 4bb ro yt edt4q sg mim jl dw 0s lg su ts paa rh... doi.org/10.17576/jsm-2023-5203-220 pdf obj endobj xref trailer startxref eof 0klr pju 4bb ro yt edt4q sg mim jl dw 0s lg su ts paa rh doi 10 17576 jsm 2023 5203 22
  1. #keterbatasan model#keterbatasan model
Read online
File size1.22 MB
Pages9
Short Linkhttps://juris.id/p-3dB
Lookup LinksGoogle ScholarGoogle Scholar, Semantic ScholarSemantic Scholar, CORE.ac.ukCORE.ac.uk, WorldcatWorldcat, ZenodoZenodo, Research GateResearch Gate, Academia.eduAcademia.edu, OpenAlexOpenAlex, Hollis HarvardHollis Harvard
DMCAReport

Related /

ads-block-test