Publisher

PROVISIPROVISI

Journal JURNAL TEKNOLOGI INFORMASI DAN KOMUNIKASIJURNAL TEKNOLOGI INFORMASI DAN KOMUNIKASI Abstract

Perkiraan cuaca yang akurat memainkan peran penting di dunia saat ini, karena berbagai sektor seperti kelautan, navigasi, pertanian, dan industri sangat bergantung pada kondisi cuaca. Prakiraan cuaca juga digunakan untuk memprediksi terjadinya bencana alam. Prakiraan cuaca menentukan nilai pasti dari parameter cuaca dan kemudian memprediksi kondisi cuaca di masa depan. Dalam penelitian ini, parameter yang digunakan adalah. Berbeda-beda parameter cuaca dikumpulkan dari Stasiun Meteorologi Maritim Serang dan kemudian dianalisis menggunakan algoritma berbasis jaringan saraf, yaitu Long-short term memory (LSTM). Dalam memprediksi kondisi cuaca di masa depan, jaringan saraf LSTM dilatih menggunakan kombinasi parameter cuaca yang berbeda, yaitu suhu, kelembaban, curah hujan, dan kecepatan angin. Setelah model LSTM dilatih menggunakan parameter-parameter ini, dilakukan prediksi cuaca di masa depan. Hasil prediksi kemudian dievaluasi menggunakan RMSE. Hasil prediksi menunjukkan bahwa model lebih akurat ketika memprediksi data suhu dengan RMSE 0.37, kemudian RMSE kecepatan angin 0.72, RMSE sinar matahari 2.79, dan RMSE kelembaban 5.05. Hal ini menunjukkan bahwa model sangat baik dalam mempelajari data cuaca, secara terbalik proporsional dengan data kelembaban.

Conclusion

Berdasarkan analisis yang telah dilakukan untuk memprediksi hasil cuaca di Kota Serang, dapat disimpulkan bahwa model LSTM memiliki kinerja yang berbeda antar parameternya.Hal tersebut dapat dilihat pada hasil prediksi yang menunjukkan bahwa model lebih akurat ketika memprediksi dengan urutan data suhu dengan RMSE 0.Artinya model sangat baik mempelajari data suhu, berbanding terbalik dengan data kelembaban.Hal ini mengindikasikan model LSTM memiliki tingkat akurasi yang tinggi karena tingkat kesalahan prediksi yang cukup kecil.Hasil analisis menunjukkan bahwa prediksi suhu di Kota Serang mengalami tren peningkatan yang tidak signifikan, sama halnya dengan hasil prediksi kelembaban dan hasil prediksi penyinaran matahari.Namun hasil prediksi kecepatan angin berfluktuasi di sekitar rata-rata.Kesimpulan dari penelitian ini adalah model LSTM cocok digunakan untuk memprediksi data suhu, namun kurang cocok untuk digunakan dalam memprediksi data kelembaban.

Future Research

Berdasarkan hasil penelitian ini, saran-saran penelitian lanjutan yang dapat dilakukan adalah: 1. Mengembangkan model LSTM yang lebih kompleks dengan menambahkan lebih banyak parameter cuaca, seperti tekanan udara dan arah angin, untuk meningkatkan akurasi prediksi. 2. Menganalisis pengaruh faktor-faktor lokal, seperti topografi dan kondisi geografis, terhadap akurasi prediksi cuaca menggunakan LSTM. 3. Membandingkan kinerja model LSTM dengan metode prediksi cuaca lainnya, seperti metode statistika atau model fisik, untuk menentukan metode mana yang paling efektif dalam memprediksi cuaca di wilayah tertentu.

References

1. A Review of Threats and Vulnerabilities to Mangrove Habitats: With Special Emphasis on East Coast of... omicsonline.org/open-access/a-review-of-threats-and-vulnerabilities-to-mangrove-habitats-with-special-emphasis-on-east-coast-of-india-2157-7617-1000270.php?aid=51453A Review of Threats and Vulnerabilities to Mangrove Habitats With Special Emphasis on East Coast of omicsonline open access a review of threats and vulnerabilities to mangrove habitats with special emphasis on east coast of india 2157 7617 1000270 php aid 51453
2. Effects of Different Activation Functions for Unsupervised Convolutional LSTM Spatiotemporal Learning... doi.org/10.25046/aj040234Effects of Different Activation Functions for Unsupervised Convolutional LSTM Spatiotemporal Learning doi 10 25046 aj040234

Metadata

File size	784.89 KB
Pages	9
DMCA	Report