UBUB

Jurnal Teknologi Informasi dan Ilmu KomputerJurnal Teknologi Informasi dan Ilmu Komputer

Perubahan iklim global telah memicu kebutuhan akan metode peramalan suhu yang lebih akurat dan adaptif. Penelitian ini bertujuan untuk mengevaluasi dan membandingkan performa tiga model peramalan dalam memprediksi suhu rata-rata bulanan di Kota Delhi, India. Penelitian ini menggunakan pendekatan time series forecasting berbasis statistik (SARIMA dan Holt-Winters Additive) serta machine learning (Random Forest). Selain itu, dilakukan analisis korelasi menggunakan metode Pearson Correlation untuk mengukur hubungan linier antara suhu dengan variabel iklim lain seperti kelembapan, kecepatan angin, dan tekanan udara. Penelitian ini mengadopsi metodologi CRISP-DM yang mencakup tahap business understanding, data understanding, data preparation, modeling, dan evaluation. Dataset yang digunakan bersumber dari Kaggle dan mencakup data harian dari tahun 2013 hingga 2017 yang diolah menjadi data bulanan. Hasil evaluasi menunjukkan bahwa model SARIMA memiliki performa terbaik dengan nilai MSE sebesar 1.613 dan MAPE sebesar 3.73%, yang tergolong prediksi akurasi tinggi. Analisis korelasi Pearson menunjukkan bahwa kelembapan dan tekanan udara memiliki korelasi negatif terhadap suhu rata-rata, sedangkan kecepatan angin menunjukkan korelasi positif, dan seluruh hubungan tersebut signifikan secara statistik. Hasil ini mengindikasikan bahwa variasi suhu tidak berdiri sendiri, melainkan dipengaruhi oleh interaksi kompleks antar faktor iklim. Temuan ini menegaskan pentingnya mempertimbangkan variabel pendukung dalam pengembangan model peramalan suhu agar hasil prediksi menjadi lebih komprehensif. Secara keseluruhan, hasil penelitian ini berkontribusi pada pemilihan model peramalan yang optimal untuk wilayah tropis dan mendukung pengambilan keputusan berbasis data dalam mitigasi perubahan iklim dan perencanaan kota.

Model SARIMA menunjukkan performa terbaik dalam prediksi suhu bulanan dengan akurasi tinggi.Korelasi negatif antara suhu dan kelembapan/tekanan udara, serta korelasi positif dengan kecepatan angin, menunjukkan interaksi kompleks antar faktor iklim.Penelitian ini menekankan pentingnya mempertimbangkan variabel pendukung untuk meningkatkan akurasi model peramalan suhu.

Penelitian lanjutan dapat mengembangkan model prediksi suhu dengan menggunakan dataset berdurasi lebih panjang untuk menangkap dinamika perubahan iklim jangka panjang. Selain itu, eksplorasi pendekatan hybrid yang menggabungkan metode statistik dan machine learning non-deep learning dapat meningkatkan akurasi prediksi. Penelitian juga disarankan untuk memasukkan variabel eksternal seperti curah hujan atau radiasi matahari sebagai faktor pendukung dalam model peramalan suhu.

  1. Comparative Analysis of Traditional Time Series and Machine Learning Models for Multi-Year Temperature... doi.org/10.17485/IJST/v18i39.1263Comparative Analysis of Traditional Time Series and Machine Learning Models for Multi Year Temperature doi 10 17485 IJST v18i39 1263
  2. Forecasting Maximum Temperature Trends with SARIMAX: A Case Study from Ahmedabad, India. forecasting... mdpi.com/2071-1050/16/16/7183Forecasting Maximum Temperature Trends with SARIMAX A Case Study from Ahmedabad India forecasting mdpi 2071 1050 16 16 7183
Read online
File size718.15 KB
Pages10
DMCAReport

Related /

ads-block-test