Prediksi Perubahan Iklim di Indonesia pada tahun 2013-2014 menggunakan LSTM
DOI:
https://doi.org/10.51402/jle.v3i2.49Abstract
Keberadaan deep learning saat ini sangat menguntungkan dan membantu manusia di kehidupan sehari-hari. Salah satunya adalah prediksi, prediksi apapun dapat dilakukan dengan deep learning selama data yang didapatkan memungkinkan untuk diolah. Dalam penelitian ini, dilakukan prediksi perubahan iklim. Karena seiring perkembangannya zaman dan terjadinya global warming, perubahan cuaca semakin tidak menentu. Maka dari itu sering terjadi kekeliruan dalam menentukan kapan waktu musim hujan dan musim panas. Deep learning merupakan sebuah jaringan syaraf tiruan yang terdiri dari banyak layer, yang dimana layer tersebut tersusun dari banyak node. Arsitektur deep learning yang digunakan untuk prediksi di penelitian ini adalah Long Short Term Memory (LSTM). Pada penelitian ini penggunaan LSTM dikarenakan berdasarkan penelitian sebelumnya, prediksi dengan yang menggunakan arsitektur ini dapat menghasilkan output yang cukup baik. Berdasarkan hasil pengujiannya dari 12 data dengan 1.859 data training, telah didapatkan bahwa nilai r2 score sebagai nilai kemiripannya sebesar -3.7490698103542037, dengan nilai mean squared error sebesar 0.001512831193394959. Angka ini merupakan hasil yang cukup baik dengan tingkat kemiripan antara hasil sebenarnya dengan hasil prediksi yang terpaut tidak jauh berbeda.
References
Anh, D. T., Rutschmann, P., & Bui, M. D. (2018). Long Short Term Memory for Monthly Rainfall Prediction in Camau, Vietnam.
Dan. (2020, February 18). Predicting weather using LSTM. Predicting weather using LSTM (rs-online.com) (diakses tanggal 29 Desember 2020)
Elsworth, S., & Guttel, S. (2020, March 12). Time Series Forecasting Using LSTM Networks: A Symbolic Approach.
Faishol, M. A., Endroyono, & Irfansyah, A. N. (2020, July). Prediksi Polusi Udara Perkotaan di Surabaya Menggunakan Recurrent Neural Network - Long Short Term Memory. JUTI: Jurnal Ilmiah Teknologi Informasi, Volume 18.
Goodfellow, I., Bengio, Y., & Courville, A. (2017). Deep Learning. The MIT Press.
Miftahuddin. (2016). Analisis Unsur-unsur Cuaca dan Iklim Melalui Uji Mann-Kendall Multivariat. Jurnal Matematika, Statistika, & Komputasi, 13.
Qi, M., & Zhang, G. P. (2008). Trend Time–Series Modeling and Forecasting With Neural Networks. IEEE TRANSACTIONS ON NEURAL NETWORKS, 19.
Saxena, P., Bahad, P., & Kamal, R. (2020). Long Short-Term Memory-RNN based model for Multivariate Car Sales Forecasting. International Journal of Advanced Science and Technology, Vol.29.
Varsamopoulos, S., Bertels, K., & Almudever1, C. G. (n.d.). Designing neural network based decoders for surface codes.
Yudistira, N., Widodo, A. W., & Rahayudi, B. (n.d.). Deteksi Covid-19 pada Citra Sinar-X Dada menggunakan Deep Learning yang Efisien. Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK).
Zhao, Z., Chen, W., Wu, X., Chen, P., C., Y., & Liu, J. (2017). LSTM network: a deep learning approach for short-term traffic forecast. IET Intelligent Transport Systems, 11.
Hochreiter., Sepp. & Schmidhuber., Jürgen. (1997). Long Short-Term Memory. The MIT Press.
Sarle., W., S. (1994). Neural Networks and Statistical Models. Proceedings of the Nineteenth Annual SAS Users Group International Conference.
