Prediksi Curah Hujan Dasarian dengan Metode Vanilla RNN dan LSTM untuk Menentukan Awal Musim Hujan dan Kemarau

Ni Made Meriliana Candra Devi, I Putu Agung Bayupati, Ni Kadek Ayu Wirdiani

Abstract


Indonesia dijuluki sebagai negara agraris dimana perekonomian nasional bergantung pada sektor pertanian. Kualitas pertanian sangat dipengaruhi oleh perubahan iklim. BMKG memperkirakan datangnya musim di Indonesia didasari pada curah hujan dasarian. Curah hujan dasarian merupakan total curah hujan selama sepuluh hari. Curah hujan dasarian diatas 50 mm berturut-turut dalam tiga dasarian maka dasarian pertama akan ditentukan sebagai awal musim hujan. Sedangkan curah hujan dasarian dibawah 50 mm dalam tiga dasarian berturut-turut maka dasarian pertama akan ditentukan sebagai awal musim kemarau. Penelitian ini bertujuan untuk melakukan prediksi curah hujan dasarian untuk menentukan awal musim hujan dan musim kemarau. Metode Vanilla Recurrent Neural Network (Vanilla RNN) dan Long Short-Term Memory (LSTM) merupakan jenis dari jaringan saraf berulang yang baik digunakan dalam pemrosesan data sekuensial. Seleksi fitur (feature selection) dengan metode Backward Elimination dilakukan untuk meningkatkan akurasi dari prediksi. Fitur yang digunakan untuk prediksi curah hujan dasarian yaitu kecepatan angin, suhu udara, kelembaban udara, jarak pandang, dan tekanan udara. Adapun fitur hasil seleksi yaitu kelembaban, tekanan, dan jarak pandang. Hasil penelitian yang diperoleh yaitu metode Vanilla RNN dengan seleksi fitur memperoleh hasil terbaik dengan nilai R-Squared sebesar 0,6139 dan RMSE sebesar 28,4308. 


Keywords


Hujan Dasarian; LSTM; Musim Hujan; Musim Kemarau; Vanilla RNN

Full Text:

PDF

References


A. Fadholi, “Studi Dampak El Nino Dan Indian Ocean Dipole (Iod) Terhadap Curah Hujan Di Pangkalpinang,” J. Ilmu Lingkung., vol. 12, no. 2, p. 43, 2013, doi: 10.14710/jil.11.1.43-50.

N. Herlina and A. Prasetyorini, “Pengaruh Perubahan Iklim pada Musim Tanam dan Produktivitas Jagung (Zea mays L.) di Kabupaten Malang,” J. Ilmu Pertan. Indones., vol. 25, no. 1, pp. 118–128, 2020, doi: 10.18343/jipi.25.1.118.

Rostati, “Dampak Modernisasi dalam Involusi Pertanian pada Masyarakat Petani di Desa Soki Kecamatan Belo Kabupaten Bima Nusa Tenggara Barat,” Bahtra J. Pendidik. Bhs. dan Sastra, vol. 01, no. 01, pp. 23–31, 2020.

N. Nurlina, D. Rochdiani, and A. Y. Isyanto, “Analisis Biaya, Penerimaan, Pendapatan dan R/C Usahatani Cabai Merah Besar (Capsicum annum L.) (Studi Kasus pada Kelompok Tani Gunung Sari di Desa Cibeureum Kecamatan Sukamantri Kabupaten Ciamis),” J. Ilm. Mhs. Agroinfo Galuh, vol. 7, no. 1, p. 112, 2020, doi: 10.25157/jimag.v7i1.2565.

I. N. Hidayati and S. Suryanto, “Pengaruh Perubahan Iklim Terhadap Produksi Pertanian Dan Strategi Adaptasi Pada Lahan Rawan Kekeringan,” J. Ekon. Stud. Pembangunan., vol. 16, no. 1, pp. 42–52, 2015.

Peraturan Badan Meteorologi Klimatologi dan Geofisika, Peraturan Badan Meteorologi, Klimatologi, dan Geofisika Republik Indonesia Nomor 7 Tahun 2019 tentang Penyediaan dan Penyebaran Prakiraan Musim. Jakarta, 2019.

Z. F. M. Hukom, “Penentuan Awal Musim Hujan Dan Awal Musim Kemarau Lokal Di Perkebunan Teh Determining of The Onset Early Local Rainy and Dry seasons in Tea Plantation,” J. Agrol., vol. 10, no. 2, pp. 63–68, 2021.

Y. Astuti, I. R. Wulandari, A. R. Putra, and N. Kharomadhona, “Naïve Bayes untuk Prediksi Tingkat Pemahaman Kuliah Online Terhadap Mata Kuliah Algoritma Struktur Data,” J. Edukasi dan Penelit. Inform., vol. 8, no. 1, pp. 28–32, 2022, doi: http://dx.doi.org/10.26418/jp.v8i1.48848.

M. H. Diponegoro, S. S. Kusumawardani, and I. Hidayah, “Tinjauan Pustaka Sistematis : Implementasi Metode Deep Learning pada Prediksi Kinerja Murid ( Implementation of Deep Learning Methods in Predicting Student Performance : A Systematic Literature Review ),” J. Nas. Tek. Elektro dan Tek. Inf., vol. 10, no. 2, pp. 131–138, 2021.

K. Ivanedra, M. Mustikasari, T. Informatika, U. Gunadarma, R. N. Network, and D. Learning, “Implementasi Metode Recurrent Neural Network Pada Text the Implementation of Text Summarization With Abstractive,” J. Teknol. Inf. dan Ilmu Komput., vol. 6, no. 4, 2019, doi: 10.25126/jtiik.201961067.

R. Cahyadi, A. Damayanti, and D. Aryadani, “Recurrent Neural Network (RNN) dengan Long Short Term Memory (LSTM) untuk Analisis Sentimen data instagram,” J. Inform. dan Komput., vol. 5, no. 1, pp. 1–9, 2020.

A. Ambarwari, Q. J. Adrian, and Y. Herdiyeni, “Analisis Pengaruh Data Scaling Terhadap Performa Algoritme Machine Learning untuk Identifikasi Tanaman,” Rekayasa Sist. dan Teknol. Inf., vol. 4, no. 1, pp. 117–122, 2020.

I. W. Gamadarenda and I. Waspada, “Implementasi Data Mining untuk Deteksi Penyakit Ginjal Kronis (PGK) menggunakan K-Nearest Neighbor (KNN) dengan Backward Elimination,” J. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 2, p. 417, 2020, doi: 10.25126/jtiik.2020721896.

I. Jhonson Arizona Saragih et al., “Prediksi Curah Hujan Bulanan Di Deli Serdang Menggunakan Persamaan Regresi Dengan Prediktor Data Suhu Dan Kelembapan Udara,” J. Meteorol. Klimatologi dan Geofis., vol. 7, no. 2, pp. 6–14, 2020.

H. Halin, H. Wijaya, and R. Yusilpi, “Pengaruh Harga Jual Kaca Patri Jenis Silver Terhadap Nilai Penjualan Pada Cv. Karunia Kaca Palembang Tahun 2004-2015,” J. Ecoment Glob., vol. 2, no. 2, p. 49, 2017, doi: 10.35908/jeg.v2i2.251.

D. Chicco, M. J. Warrens, and G. Jurman, “The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation,” PeerJ Comput. Sci., vol. 7, pp. 1–24, 2021, doi: 10.7717/PEERJ-CS.623.




DOI: http://dx.doi.org/10.26418/jp.v8i3.56606

Refbacks

  • There are currently no refbacks.