Implementasi JST Untuk Memprediksi Cuaca Dengan Menggunakan Model RNN dan LSTM
Keywords:
Jaringan Syaraf Tiruan, JST, Prediksi, Cuaca, RNN, LSTMAbstract
Prediksi cuaca yang akurat sangat penting dalam berbagai aspek kehidupan sehari-hari. Dalam penelitian ini, kami mengembangkan program prediksi cuaca menggunakan Jaringan Syaraf Tiruan (JST) dengan model Recurrent Neural Network (RNN), dan Long Short-Term Memory (LSTM). Data input yang digunakan meliputi tanggal, presipitasi, suhu maksimum, suhu minimum, dan kecepatan angin, sementara target output adalah label cuaca, termasuk hujan, cerah, salju, gerimis, dan kabut. Pertama, kami mengumpulkan dataset cuaca historis yang mencakup atribut-atribut tersebut. Kemudian, kami melakukan pemrosesan data untuk membersihkan data yang tidak valid dan melakukan normalisasi. Dataset dibagi menjadi dua yaitu, 80% untuk data latih dan 20% untuk data uji. Pembagian data tersebut digunakan untuk melatih dan menguji model. Selanjutnya, kami merancang model RNN, dan LSTM. Kemudian, kami melatih masing-masing model menggunakan data latih dan data uji yang sudah dibagi. Selanjutnya, model akan dievaluasi untuk mendapatkan hasil akurasi. Hasil dan analisis menunjukkan bahwa model RNN dan LSTM, mampu memberikan prediksi cuaca yang cukup akurat. Dalam kesimpulannya, penelitian ini menunjukkan bahwa penggunaan Jaringan Syaraf Tiruan dengan model RNN dan LSTM dapat digunakan untuk prediksi cuaca berdasarkan data input seperti tanggal, presipitasi, suhu maksimum, suhu minimum, dan kecepatan angin. Diharapkan dengan pengembangan program prediksi cuaca ini dapat membantu pengguna untuk mengetahui kondisi cuaca dengan faktor-faktor tertentu.
References
Lubis, B. P., Amnur, H., & Prayama, D. (2022). Implementasi Jaringan Syaraf Tiruan untuk Prediksi Cuaca pada PLTA Sumatera Barat. JITSI: Jurnal Ilmiah Teknologi Sistem Informasi, 3(2), 36-41.
Fente, Dires Negash, and Dheeraj Kumar Singh. "Weather forecasting using artificial neural network." 2018 second international conference on inventive communication and computational technologies (ICICCT). IEEE, 2018.
Ritonga, Alven Safik, and Suryo Atmojo. "Pengembangan Model Jaringan Syaraf Tiruan untuk Memprediksi Jumlah Mahasiswa Baru di PTS Surabaya (Studi Kasus Universitas Wijaya Putra)." Jurnal Ilmiah Teknologi Informasi Asia 12.1 (2018): 15-24.
Hasan, Nur Fitrianingsih, Kusrini Kusrini, and H. Al Fatta. "Analisis Arsitektur Jaringan Syaraf Tiruan Untuk Peramalan Penjualan Air Minum Dalam Kemasan." Jurnal Rekayasa Teknologi Informasi (JURTI) 3.1 (2019): 1-10.
Hasanati, Zahri, and Dwiny Meidelfi. "Kajian Implementasi Jaringan Syaraf Tiruan Metode Backpropagation Untuk Deteksi Bau." Journal of Applied Computer Science and Technology 1.2 (2020): 90-95.
Tarkus, Exel Defrisco, Sherwin RUA Sompie, and Agustinus Jacobus. "Implementasi Metode Recurrent Neural Network pada Pengklasifikasian Kualitas Telur Puyuh." Jurnal Teknik Informatika 15.2 (2020): 137-144.
Puspita Sari, Anggraini, et al. "Deep convolutional long short-term memory for forecasting wind speed and direction." SICE Journal of Control, Measurement, and System Integration 14.2 (2021): 30-38.FLEXChip Signal Processor (MC68175/D), Motorola, 1996.
Python Software Foundation. (2021). The Python Tutorial.
Dua, D., & Graff, C. (2019). UCI Machine Learning Repository. University of California, Irvine, School of Information and Computer Sciences.
Sitepu, Ade Clinton, and Mula Sigiro. "Analisis fungsi aktivasi relu dan sigmoid menggunakan optimizer SGD dengan representasi MSE pada model backpropagation." JUTISAL Jurnal Teknik Informatika Universal 1.1 (2021): 12-25
Nwankpa, Chigozie, et al. "Activation functions: Comparison of trends in practice and research for deep learning." arXiv preprint arXiv:1811.03378 (2018).
La Ode Ansyarullah, S. Sagala. "Klasifikasi Cats dan Dogs dengan Metode CNN dalam Fungsi Aktivasi relu, sigmoid, softmax, softplus, softsign, dan selu."
Jason Brownlee, "A Gentle Introduction to Deep Learning for the Rest of Us," Machine Learning Mastery, 2019.
Chong Chen et al., "Recommender Systems with User-Item Subgroup Analysis," arXiv:1908.05053 [cs.IR], 2019.
Yacouby, Reda, and Dustin Axman. "Probabilistic extension of precision, recall, and f1 score for more thorough evaluation of classification models." Proceedings of the first workshop on evaluation and comparison of NLP systems. 2020.
