ANALISIS HARI PEMANTAUAN YANG MEMPENGARUHI MODEL PREDIKSI CURAH HUJAN UNTUK TUJUH HARI KE DEPAN DI KOTA BOGOR MENGGUNAKAN METODE LONG SHORT-TERM MEMORY

Ulfiya Tussyifaa, Puspa Eosina, Foni Agus Setiawan

Abstract


Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) menyatakan suhu udara rata-rata bulan Juni 2024 adalah sebesar 27.02 °C, sementara suhu normal udara klimatologis untuk bulan Juni 2024 periode 1991-2020 di Indonesia adalah sebesar 26.53 °C. Perubahan cuaca yang signifikan telah terjadi dari tahun sebelumnya terutama pada curah hujan. Curah hujan merupakan jumlah air yang turun ke permukaan bumi dan jangka waktu tertentu. Banyak aspek kehidupan masyarakat seperti pertanian, transportasi udara, dan industri yang dipengaruhi oleh perubahan intensitas curah hujan. Intensitas curah hujan ini merupakan hal yang sulit diprediksi dikarenakan derajatnya yang bervariasi di berbagai wilayah. Penelitian ini akan dilakukan perbandingan akurasi prediksi curah hujan menggunakan data time-series untuk tujuh hari ke depan berdasarkan jumlah hari pengamatan yang mempengaruhi hasil prediksi menggunakan metode Long Short-Term Memory (LSTM) dengan teknik restruktur data Multiple Parallel Input and Multi-Step Output. Tujuan dari penelitian ini untuk mengetahui hasil prediksi mana yang lebih unggul dari skenario yang telah dibuat. Model yang dihasilkan diharapkan dapat membantu dalam memberikan informasi untuk perencanaan dan pengambilan keputusan yang dikaitkan dengan cuaca. Berdasarkan penelitian yang telah dilakukan diketahui bahwa jumlah hari pemantauan mempengaruhi performa model. Hasil evaluasi menunjukkan bahwa dengan jumlah hari pemantauan yang lebih panjang yakni 20 hari menghasilkan nilai Root Mean Square Error (RMSE) paling rendah dibandingkan dengan skenario lainnya, yaitu 2,567.

Keywords


Curah hujan; Long Short-Term Memory; Multivariate Multiple Parallel Input and Mul-ti-Step Output; Time-series

Full Text:

PDF

References


A. W. Adi et al., Indeks Risiko Bencana Indonesia, vol. 1, no. 31601900074. 2022.

A. Wicaksono, “Anomali Suhu Udara Bulan Juni 2024,” Badan Meteorologi, Klimatologi, dan Geofisika, 2024. https://www.bmkg.go.id/iklim/anomali-suhu-udara-bulanan.bmkg?p=anomali-suhu-udara-bulan-juni-2024&tag=〈=ID

M. Yusuf, A. Setyanto, dan K. Aryasa, “Analisis Prediksi Curah Hujan Bulanan Wilayah Kota Sorong Menggunakan Metode Multiple Regression,” J. Sains Komput. Inform., vol. 6, no. 1, pp. 405–417, 2022.

A. Herdhyanti, L. Muflikhah, dan I. Cholissodin, “Prediksi Curah Hujan dengan Empat Parameter menggunakan Backpropagation (Studi Kasus: Stasiun Meteorologi Ahmad Yani),” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 6, no. 12, pp. 2548–964, 2022, [Online]. Available: http://j-ptiik.ub.ac.id

M. Toyib, T. Decky, K. Pratama, dan I. Aqil, “Prediksi Kondisi Cuaca di Kabupaten Bayuwangi Menggunakan Metode LSTM,” J. Ilm. Sains dan Teknol., vol. 2, no. 7, pp. 78–84, 2024, [Online]. Available: http://dataonline.bmkg.go.id

[6] R. Farikhul Firdaus dan I. V. Paputungan, “Prediksi Curah Hujan di Kota Bandung Menggunakan Metode Long Short Term Memory,” J. Penelit. Inov., vol. 2, no. 3, pp. 453–460, 2022, doi: 10.54082/jupin.99.

M. K. Sandhya Arora, “Forecasting the Future: A Comprehensive Review of Time Series Prediction Techniques,” J. Electr. Syst., vol. 20, no. 2s, pp. 575–586, 2024, doi: 10.52783/jes.1478.

D. Krivoguz et al., “Enhancing Long-Term Air Temperature Forecasting with Deep Learning Architectures,” J. Robot. Control, vol. 5, no. 3, pp. 706–716, 2024, doi: 10.18196/jrc.v5i3.21716.

A. A. Akbar, Y. Darmawan, A. Wibowo, dan H. K. Rahmat, “Accuracy Assessment of Monthly Rainfall Predictions using Seasonal ARIMA and Long Short-Term Memory (LSTM),” vol. 5, no. 2, pp. 99–114, 2024.

M. Waqas dan U. W. Humphries, “A Critical Review of RNN and LSTM Variants in Hydrological Time Series Predictions,” MethodsX, vol. 13, no. September, p. 102946, 2024, doi: 10.1016/j.mex.2024.102946.

I. Magfirrah, M. Ilma, K. A. Notodiputro, Y. Angraini, dan L. N. A. Mualifah, “Comparative Analysis of ARIMA and LSTM for Forecasting Maxi-mum Wind Speed in Kupang City, East Nusa Tenggara,” Jambura J. Math., vol. 6, no. 2, pp. 169–175, 2024, doi: 10.37905/jjom.v6i2.25834.

S. Pasak dan R. Jayadi, “Investment Decision on Cryptocurrency: Comparing Prediction Performance Using ARIMA dan LSTM,” J. Inf. Syst. Infor-matics, vol. 5, no. 2, pp. 407–427, 2023, doi: 10.51519/journalisi.v5i2.473.

M. Musfiroh, D. C. R. Novitasari, P. K. Intan, dan G. G. Wisnawa, “Penerapan Metode Principal Component Analysis (PCA) dan Long Short-Term Memory (LSTM) dalam Memprediksi Prediksi Curah Hujan Harian,” Build. Informatics, Technol. Sci., vol. 5, no. 1, pp. 1–11, 2023, doi: 10.47065/bits.v5i1.3114.

I. G. W. Sena, J. W. Dillak, P. Leunupun, dan A. J. Santoso, “Predicting Rainfall Intensity using Naïve Bayes and Information Gain Methods (Case Study: Sleman Regency),” J. Phys. Conf. Ser., vol. 1577, no. 1, 2020, doi: 10.1088/1742-6596/1577/1/012011.

M. R. Mattalunru, S. Annas, dan M. K. Aidid, “Aplikasi Multivariate Adaptive Regression Splines (Mars) Untuk Mengetahui Faktor Yang Mempengaruhi Curah Hujan Di Kota Makassar,” VARIANSI J. Stat. Its Appl. Teach. Res., vol. 4, no. 1, pp. 9–19, 2022, [Online]. Available: https://doi.org/10.35580/variansiunm2.

M. Diqi, A. Sahal, dan F. Nur Aini, “Multi-Step Vector Output Prediction of Time Series Using EMA LSTM,” J. Online Inform., vol. 8, no. 1, pp. 107–114, 2023, doi: 10.15575/join.v8i1.1037.

M. R. Kusnaidi, T. Gulo, dan S. Aripin, “Penerapan Normalisasi Data Dalam Mengelompokkan Data Mahasiswa Dengan Menggunakan Metode K-Means Untuk Menentukan Prioritas Bantuan Uang Kuliah Tunggal,” J. Comput. Syst. Informatics, vol. 3, no. 4, pp. 330–338, 2022, doi: 10.47065/josyc.v3i4.2112.

J. Brownlee, “How to Develop LSTM Models for Time Series Forecasting,” Machine Learning Mastery, 2020. https://machinelearningmastery.com/how-to-develop-lstm-models-for-time-series-forecasting/

S. Hidayatullah dan A. Cherid, “Prediksi Temperatur Cuaca di Negara Norwegia Menggunakan Metode LSTM,” Simkom, vol. 8, no. 2, pp. 187–198, 2023, doi: 10.51717/simkom.v8i2.192.

T. A. Faisal Muhammad dan M. I. Irawan, “Implementasi Long Short-Term Memory (LSTM) untuk Prediksi Intensitas Curah Hujan (Studi Kasus: Kabupaten Malang),” J. Sains dan Seni ITS, vol. 12, no. 1, 2023, doi: 10.12962/j23373520.v12i1.106892.

M Devid Alam Carnegie dan Chairani, “Perbandingan Long Short Term Memory (LSTM) dan Gated Recurrent Unit (GRU) Untuk Memprediksi Curah Hujan,” J. Media Inform. Budidarma, vol. 7, no. 3, pp. 1022–1032, 2023, doi: 10.30865/mib.v7i3.6213.




DOI: https://doi.org/10.29100/jipi.v11i2.7721

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika)
ISSN 2540-8984
Published by
Prodi Pendidikan Teknologi Informasi
Universitas Bhinneka PGRI

Website :https://jurnal.stkippgritulungagung.ac.id/index.php/jipi/index
Email: jipistkippti@gmail.com

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.