##plugins.themes.academic_pro.article.sidebar##

Published Aug 2, 2023
https://doi.org/10.51717/simkom.v8i2.192
Author
Syarif Hidayatullah
Universitas Mercu Buana
Anis Cherid
Universitas Mercu Buana
Download
Statistic

Downloads

Download data is not yet available.
Vol 8 No 2 (2023): Vol 8 No 2 - 2023

##plugins.themes.academic_pro.article.main##

Prediksi Temperatur Cuaca di Negara Norwegia Menggunakan Metode LSTM

Abstract

Penelitian ini mengkaji penggunaan algoritma model Long Short-Term Memory (LSTM) dalam membangun model prediksi rata-rata temperatur minimum cuaca berdasarkan data time series. Beberapa pengujian dilakukan untuk mengevaluasi performa model dengan variasi komposisi data latih dan data test, serta perubahan jumlah epoch. Dari hasil pengujian, didapati bahwa penggunaan komposisi data test sebanyak 12 pengamatan, sementara menyisakan 48 data latih dengan 100 epoch, memberikan hasil Root Mean Squared Error (RMSE) terbaik yaitu 1,242 dari seluruh percobaan yang dilakukan. Hasil menunjukkan bahwa metode LSTM efektif dalam menghasilkan prediksi suhu dengan memperhitungkan fluktuasi bulanan dari waktu ke waktu. Meskipun prediksi suhu pada interval yang lebih pendek cenderung lebih fluktuatif, prediksi jangka panjang menunjukkan kecenderungan suhu untuk menjaga kestabilannya dalam jangka waktu yang lebih panjang. Penelitian ini memberikan wawasan mengenai aplikasi model LSTM dalam prediksi cuaca berbasis time series dan memberikan panduan untuk komposisi data dan jumlah epoch yang optimal dalam menghasilkan prediksi yang akurat. 

##plugins.themes.academic_pro.article.details##

Creative Commons License

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

How to Cite
[1]
S. Hidayatullah and A. Cherid, “Prediksi Temperatur Cuaca di Negara Norwegia Menggunakan Metode LSTM”, simkom, vol. 8, no. 2, pp. 187-198, Aug. 2023.

References

Y. E. N. Nugraha, I. Ariawan, and W. A. Arifin, “Weather Forecast From Time Series Data Using Lstm Algorithm,” J. Teknol. Inf. DAN Komun., vol. 14, no. 1, pp. 144–152, 2023.

J. H. Yousif, H. A. Al-Balushi, H. A. Kazem, and M. T. Chaichan, “Analysis and forecasting of weather conditions in Oman for renewable energy applications,” Case Stud. Therm. Eng., vol. 13, p. 100355, 2019.

A. Luthfiarta, A. Febriyanto, H. Lestiawan, and W. Wicaksono, “Analisa Prakiraan Cuaca dengan Parameter Suhu, Kelembaban, Tekanan Udara, dan Kecepatan Angin Menggunakan Regresi Linear Berganda,” JOINS (Journal Inf. Syst., vol. 5, no. 1, pp. 10–17, 2020, doi 10.33633/joins. v5i1. 2760, 2020.

F. Setiawan, V. D. Prasita, and S. Widagdo, “Pergerakan arus permukaan laut selat bali berdasarkan parameter angin dan cuaca,” J. Ris. Kelaut. Trop., vol. 1, no. 2, pp. 1–15, 2020.

A. D. P. Ariyanto, H. H. Samsuri, and I. R. Nugraheni, “Kajian Indeks Stabilitas Atmoster Terhadap Kejadian Hujan Lebat Di Wilayah Bogor,” in Prosiding SNFA (Seminar Nasional Fisika dan Aplikasinya), 2021, pp. 163–172.

S. M. Robial, “Perbandingan Model Statistik Pada Analisis Metode Peramalan Time Series:(Studi Kasus: PT. Telekomunikasi Indonesia, Tbk Kandatel Sukabumi),” SANTIKA is a Sci. J. Sci. Technol., vol. 8, no. 2, pp. 823–838, 2018.

M. A. Faishol, E. Endroyono, and A. N. Irfansyah, “Predict Urban Air Pollution in Surabaya Using Recurrent Neural Network–Long Short Term Memory,” JUTI J. Ilm. Teknol. Inf, vol. 18, no. 2, p. 102, 2020.

N. Aulia, “Prediksi Harga Ethereum Berdasarkan Informasi Blockchain Menggunakan Metode Long Short Term Memory.” Universitas Islam Indonesia, 2020.

M. W. P. Aldi, J. Jondri, and A. Aditsania, “Analisis dan Implementasi Long Short Term Memory Neural Network untuk Prediksi Harga Bitcoin,” eProceedings Eng., vol. 5, no. 2, 2018.

A. A. Rizal and S. Soraya, “Multi time steps prediction dengan recurrent neural network long short term memory,” MATRIK J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 18, no. 1, pp. 115–124, 2018.

R. Yotenka and F. F. El Huda, “Implementasi Long Short-Term Memory Pada Harga Saham Perusahaan Perkebunan Di Indonesia,” UJMC (Unisda J. Math. Comput. Sci., vol. 6, no. 01, pp. 9–18, 2020.

J. Sanjaya, E. Renata, V. E. Budiman, F. Anderson, and M. Ayub, “Prediksi Kelalaian Pinjaman bank Menggunakan random forest Dan adaptive boosting,” J. Tek. Inform. Dan Sist. Inf., vol. 6, no. 1, 2020.

N. Selle, N. Yudistira, and C. Dewi, “Perbandingan Prediksi Penggunaan Listrik dengan Menggunakan Metode Long Short Term Memory (LSTM) dan Recurrent Neural Network (RNN),” J. Teknol. Inf. dan Ilmu Komput., vol. 9, no. 1, pp. 155–162, 2022.

S. Sautomo and H. F. Pardede, “Prediksi belanja pemerintah Indonesia menggunakan long short-term memory (LSTM),” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 1, pp. 99–106, 2021.

W. Hastomo, A. Satyo, and S. Sudjiran, “Long Short Term Memory Machine LearningUntuk Memprediksi Akurasi Nilai Tukar IDR Terhadap USD,” Pros. SeNTIK STI&K, vol. 3, 2019.

S. Zahara and M. B. Ilmiddafiq, “Prediksi Indeks Harga Konsumen Menggunakan Metode Long Short Term Memory (LSTM) Berbasis Cloud Computing,” J. RESTI (Rekayasa Sist. Dan Teknol. Informasi), vol. 3, no. 3, pp. 357–363, 2019.

M. Q. Andiyantama, I. Zahira, and A. Irawan, “Prediksi energi listrik kincir angin berdasarkan data kecepatan angin menggunakan LSTM,” JITCE (Journal Inf. Technol. Comput. Eng., vol. 5, no. 01, pp. 1–7, 2021.

Y. Abdillah and S. Suharjito, “Failure prediction of e-banking application system using Adaptive Neuro Fuzzy Inference System (ANFIS),” Int. J. Electr. Comput. Eng., vol. 9, no. 1, p. 667, 2019.

S. Dwiasnati and Y. Devianto, “Optimasi Prediksi Bencana Banjir menggunakan Algoritma SVM untuk penentuan Daerah Rawan Bencana Banjir,” Pros. SISFOTEK, vol. 5, no. 1, pp. 202–207, 2021.

W. Hastomo, A. S. B. Karno, N. Kalbuana, E. Nisfiani, and E. T. P. Lussiana, “Optimasi Deep Learning untuk Prediksi Saham di Masa Pandemi Covid-19,” JEPIN (Jurnal Edukasi dan Penelit. Inform., vol. 7, no. 2, pp. 133–140, 2021.