Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal JATI (Jurnal Mahasiswa Teknik Informatika)
Usman Pagalay
Magister Informatika, Universitas Islam Negeri Maulana Malik Ibrahim Malang
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
ANALISIS SENSITIVITAS ARSITEKTUR LONG SHORT-TERM MEMORY UNTUK PREDIKSI PENYINARAN MATAHARI Nor Faiza; Agung Teguh Wibowo Almais; Usman Pagalay; Ririen Kusumawati; Yunifa Miftachul Arif; Ahmad Zarkoni; Mohammad Mamba’ul Ulum
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 3 (2026): JATI Vol. 10 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i3.18722

Abstract

Prediksi parameter meteorologi merupakan tantangan yang kompleks dalam bidang informatika karena tingginya variabilitas dan sifat non-linier data atmosfer. Permasalahan utama dalam studi ini adalah fluktuasi data penyinaran matahari yang sulit diidentifikasi oleh model konvensional, serta adanya risiko degradasi performa model akibat konfigurasi arsitektur dan pembagian data yang tidak optimal. Penelitian ini bertujuan untuk mengevaluasi efektivitas arsitektur jaringan Long Short-Term Memory (LSTM) dalam memprediksi kondisi cuaca harian melalui variabel Solar Radiation Average (SR Avg), Solar Radiation Maximum (SR Max), dan durasi penyinaran. Metode yang digunakan adalah eksperimen kuantitatif dengan membandingkan tiga variasi arsitektur (Model A: lapisan tunggal, Model B: stacked layer, dan Model C: deep stacked) serta pengujian terhadap tiga skenario rasio pembagian data, yaitu 70:30, 80:20, dan 90:10. Hasil eksperimen menunjukkan bahwa rasio data 70:30 menghasilkan performa paling stabil, di mana Model B menjadi arsitektur paling optimal dengan nilai Mean Absolute Error (MAE) terendah sebesar 0,072510, sementara Model A mencatat Root Mean Square Error (RMSE) terbaik sebesar 0,114368. Sebaliknya, penggunaan proporsi data latih yang ekstrem (90:10) memicu penurunan kinerja signifikan akibat gejala overfitting, sehingga pemilihan kedalaman arsitektur yang moderat dan keseimbangan distribusi data menjadi faktor kunci dalam akurasi prediksi.
Co-Authors Agung Teguh Wibowo Almais Ahmad Zarkoni Mohammad Mamba’ul Ulum Nor Faiza Ririen Kusumawati Yunifa Miftachul Arif