Model Prediksi Cuaca Menggunakan Metode LSTM
Abstract
Cuaca dapat berubah-ubah yaitu hanya dalam beberapa jam, dan ditandai dengan perbedaan antara siang dan malam. Cuaca disebabkan oleh perbedaan suhu dan kelembaban dari satu tempat ke tempat lain. Prediksi cuaca yang lengkap dan akurat sangat dibutuhkan agar dapat meningkatkan kinerja dari berbagai bidang akivitas manusia. Metode dalam melakukan prediksi telah diuji dalam proses berbagai penelitian, salah satunya adalah Long Short Term Memory. Penelitian dilakukan menggunakan data cuaca berupa curah hujan, dan suhu dengan metode Long Short Term Memory (LSTM). Parameter yang mempengaruhi hasil prakira metode LSTM dalam penelitian ini yaitu epoch dan batch size. Akurasi terbaik rata-rata diperoleh dengan menggunakan batch size 50 serta epoch 100 dan nilai RMSE dan MAPE terbaik diperoleh yaitu 1.7444 dan 1.9499%.
References
[2] Rahm, E., & Do, H. (2000). Data cleaning: Problems and current approaches. IEEE Data Eng. Bull., 23(4), 3–13. http://wwwiti.cs.uni-magdeburg.de/iti_db/lehre/dw/paper/data_cleaning.pdf%5Cnpapers2://publication/uuid/17B58056-3A7F-4184-8E8B-0E4D82EFEA1A%5Cnhttp://dc-pubs.dbs.uni-leipzig.de/files/Rahm2000DataCleaningProblemsand.pdf
[3] Rizal, A. A., & Soraya, S. (2018). Multi Time Steps Prediction dengan Recurrent Neural Network Long Short Term Memory. MATRIK : Jurnal Manajemen, Teknik Informatika Dan Rekayasa Komputer, 18(1), 115–124. https://doi.org/10.30812/matrik.v18i1.344
[4] Wahyu, A., Adytia, D., Saepudin, D., & Husrin, S. (2021). Forecasting of Sea Level Time Series using RNN and LSTM Case Study in Sunda Strait. 12(3), 130–140.
[5] Winata, W. (2018). Prakira Suhu Udara Rata-Rata Kota- Kota Besar Dunia Menggunakan Metode Long Short-Term Memory. 44–85. repository.usu.ac.id/bitstream/123456789/30230/4/Chapter II.pdf
[6] Zheng, J., Xu, C., Zhang, Z., & Li, X. (2017). Electric load forecasting in smart grids using Long-Short-Term-Memory based Recurrent Neural Network. 2017 51st Annual Conference on Information Sciences and Systems, CISS 2017, 1–6. https://doi.org/10.1109/CISS.2017.7926112
[7] Manaswi, N. K. (2018). Deep Learning with Application Using Python. Berkeley,CA: Apress.
[8] Olah, C. (2015, Agustus 27). Understanding LSTM Networks. Retrieved from Understanding LSTM Networks: http://colah.github.io/posts/2015-08-Understanding-LSTMs/
[9] Wilks, D. (2006). Statistical Methods in the Atmospheric Sciences (2nd). Boston: Elvesier.