Implementasi Deep Learning Menggunakan Arsitektur Long Short Term Memory(LSTM) Untuk Prediksi Curah Hujan Kota Malang

Abstract

AbstrakTidak selamanya cuaca di Indonesia berjalan dengan normal atau sesuai dengan musimnya, cuaca sering berubah secara tiba-tiba setiap saat karena ada faktor-faktor yang mempengaruhi penurunan dan peningkatan curah hujan. perkiraan cuaca sangatlah dibutuhkan dan sangat bermanfaat olah berbagai pihak karena bisa menjadi acuan bagi berbagai kalangan untuk menjalani kegiatan mereka sehari-hari. Penelitian dilakukan menggunakan metode Deep Learning karena dari beberapa penelitian sebelumnya yang menggunakan Deep Learning dalam kasus yang berbeda mampu menghasilkan akurasi diatas 85%. Deep learning adalah jaringan yang terdiri dari beberapa layer. Layer-layer tersebut berasal dari kumpulan node-node. Arsitektur yang digunakan yaitu Long Short Term Memory(LSTM) karena pada penelitian-penelitian sebelumnya menggunakan LSTM dalam kasus yang berbeda mendapat hasil yang baik yaitu RME yang dihasilkan kecil. LSTM memiliki struktur seperti rantai dan struktur pada tiap sel terdapat 3 gate yaitu forget gate, input gate, dan output gate. Oleh karena itu, perhitungan yang dilakukan lebih kompleks ditambah lagi dengan Deep Learning diharapkan mendapat hasil yang lebih akurat. Data yang digunakan yaitu data curah hujan kota Malang yang berasal dari BMKG. Abstract The weather in Indonesia does not always run normally or in accordance with the season, the weather often changes suddenly at any time because there are factors that affect the decrease and increase in rainfall. weather forecasts are needed and very useful if the various parties because it can be a reference for various circles to undergo their daily activities. The study was conducted using Deep Learning method because of some previous research using Deep Learning in different cases able to produce accuracy above 85%. Deep learning is a network consisting of several layers. The layers are derived from a collection of nodes. The architecture used is Long Short Term Memory (LSTM) because in previous studies using LSTM in different case got good result that is small generated RME. LSTM has a structure like chains and structures in each cell there are 3 gates of forget gate, input gate, and output gate. Therefore, the calculations performed more complex plus the Deep Learning is expected to get more accurate results. The data used is the rainfall data of Malang city that comes from BMKG.

Deteksi Depresi Pengguna Twitter Indonesia Menggunakan LSTM-RNN

“…Setiap blok memori dalam arsitektur asli berisi gerbang input dan gerbang output [17]. Keunggulan LSTM adalah kemampuan mengingat dari sekuens long term (ukuran data) yang sulit dicapai dengan teknik fitur tradisional [18].…”

“…Selanjutnya menambahkan Layer RNN dengan SimpleRNN memasukkan blok memori Kemudian, ditambahkan lapisan dense untuk membuat lapisan NN kompleksitas dan dropout digunakan untuk menangani masalah overfitting [18].…”

Prediksi Curah Hujan Menggunakan Long Short Term Memory

“…Rafidah, Arna., et al (2019) menggunakan algoritma LSTM untuk memprediksi curah hujan, penggunaan algoritma LSTM menghasilkan klasifikasi tidak hujan, gerimis, hujan sedang, hujan deras dan hujan sangat berat dengan nilai di stasiun juanda memiliki RMSE 15.719 dan MSE 247.090, pada station perak 1 memiliki RMSE 15.706 dan MSE 246.692 dan pada station perak 2 memiliki RMSE 13.545 dan MSE 183.455 dengan nilai tersebut dapat diketahui samakin banyak nilai MSE, semakin kecil nilai kesalahannya [7]. Dari beberapa penelitian tersebut prediksi curah hujan hanya berdasarkan single atribut dan output berupa nilai curah hujan.…”

Prediksi Curah Hujan di Kota Bandung Menggunakan Metode Long Short Term Memory

“…Oleh karena itu, berbagai kalangan dapat memanfaatkan prakiraan cuaca sebagai acuan dalam menjalankan operasionalnya sehari-hari. Prakiraan cuaca sangat dibutuhkan dan sangat penting oleh banyak pihak (Rizki et al, 2020).…”