Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Journal of Artificial Intelligence and Digital Business
Aryra, Nezvito
Unknown Affiliation
Computer Science & IT Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering

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

Found 1 Documents
Search

 1 
Analisis Prediksi Cuaca Jakarta Pusat Dengan Model Deep Learning LSTM Fajri, Muhammad Ferreyra; Aryra, Nezvito; Hadi, Nasrun; ikbar, Raja
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 4 (2026): November - January
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i4.3930

Abstract

Perubahan iklim dalam beberapa tahun terakhir telah memicu ketidakstabilan atmosfer di Indonesia, khususnya di wilayah Jakarta Pusat, sehingga membuat kondisi cuaca semakin sulit diprediksi. Ketidakpastian ini berdampak langsung pada aktivitas masyarakat, pengelolaan lingkungan, hingga strategi mitigasi bencana yang membutuhkan informasi meteorologis yang presisi. Metode prediksi cuaca konvensional yang umumnya mengandalkan pendekatan statistik sederhana dinilai tidak lagi memadai, karena pola atmosfer modern memiliki dinamika yang cepat berubah serta keterkaitan antarkomponen yang bersifat non-linear. Untuk menjawab tantangan tersebut, penelitian ini menggunakan model Long Short-Term Memory (LSTM), yaitu arsitektur deep learning yang dirancang untuk mengenali pola dan dependensi jangka panjang pada data deret waktu. Dataset yang digunakan bersumber dari Badan Meteorologi, Klimatologi, dan Geofisika (BMKG), berupa catatan cuaca harian bulan Oktober 2025 yang mencakup parameter suhu, kelembapan, curah hujan, dan komponen angin. Pemodelan dilakukan dengan menggunakan bahasa pemrograman Python dan pustaka TensorFlow, kemudian dievaluasi melalui sejumlah metrik kinerja untuk mengukur tingkat ketepatan model. Hasil eksperimen menunjukkan bahwa LSTM memberikan estimasi kondisi cuaca dengan kesalahan yang lebih rendah dan akurasi lebih tinggi dibandingkan regresi linear. Temuan ini menegaskan bahwa pendekatan deep learning memiliki potensi signifikan dalam meningkatkan kualitas prediksi cuaca harian dan mampu mendukung pengembangan sistem informasi cuaca perkotaan yang lebih adaptif dan responsif.
Co-Authors Fajri, Muhammad Ferreyra Hadi, Nasrun ikbar, Raja