Thoriq Afa Faisal Muhammad
Departemen Matematika Institut Teknologi Sepuluh Nopember Surabaya

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

Found 1 Documents
Search

Implementasi Long Short-Term Memory (LSTM) untuk Prediksi Intensitas Curah Hujan (Studi Kasus: Kabupaten Malang) Thoriq Afa Faisal Muhammad; Muhammad Isa Irawan
Jurnal Sains dan Seni ITS Vol 12, No 1 (2023)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373520.v12i1.106892

Abstract

Curah hujan merupakan salah satu fenomena alam yang dianggap sebagai salah satu faktor terpenting bagi setiap orang untuk meningkatkan produktivitasnya dalam berbagai sektor usaha. Kondisi ini sangat mempengaruhi dalam pengambilan keputusan yang optimal pada aspek kehidupan dengan berbagai tujuan, salah satu contohnya adalah kegiatan manusia di sektor pertanian. Sulitnya memprediksi curah hujan dikarenakan tidak menentunya keadaan cuaca. Pada beberapa daerah yang terlihat cerah, tidak lama kemudian dapat terjadi hujan bahkan badai. Kabupaten Malang merupakan daerah yang mempunyai iklim tropis dan juga memiliki sumber daya alam yang melimpah di sektor pertanian dan perkebunan. Pada sektor ini terdapat beberapa faktor yang memiliki pengaruh yang pada tingkat produktivitas yang mana salah satunya adalah curah hujan. Dengan dilakukannya prediksi pada curah hujan, yang bertujuan untuk meningkatkan produktivitas dan mobilitas pada aktivitas manusia. Penelitian ini membahas tentang prediksi curah hujan di Kabupaten Malang. Salah satu metode yang digunakan untuk memprediksi kondisi cuaca yaitu menggunakan Long Short-Term Memory (LSTM). Hasil penelitian ini diperoleh bahwa Model Long Short-Term Memory mempunyai performa terbaik dengan parameter yang telah ditentukan, dimana tingkat nilai error yang digunakan pada penelitian ini menggunakan RMSE dan MAE terkecil berturut-turut adalah sebesar 0.98162 dan 0.68847. Hal ini menunjukkan bahwa semakin kecil tingkat nilai error, maka semakin akurat model tersebut melakukan prediksi.