IMPLEMENTASI ALGORITMA BI-LSTM UNTUK PREDIKSI CUACA BERBASIS DATA HISTORIS

Putra, Fauz Syabana (2025) IMPLEMENTASI ALGORITMA BI-LSTM UNTUK PREDIKSI CUACA BERBASIS DATA HISTORIS. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (188kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (713kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (841kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf Download (136kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (240kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.4288.zip Restricted to Repository staff only Download (1MB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (855kB)

Abstract

Prediksi cuaca yang buruk sangat berdampak pada banyak aspek kehidupan, seperti perencanaan pertanian, penanggulangan bencana, dan kegiatan sehari-hari masyarakat. Dengan perkembangan kecerdasan buatan, deep learning khususnya Bidirectional Long Short-Term Memory (Bi-LSTM) menawarkan solusi dalam meningkatkan akurasi prediksi cuaca berbasis data historis. Penelitian ini menggunakan metode eksperimen dengan menerapkan algoritma Bi-LSTM pada dataset historis cuaca dari Kaggle. Langkah-langkah penelitian mencakup akuisisi data, preprocessing (filtering, encoding, normalisasi), serta pembagian data menjadi training (80%) dan testing (20%). Model dilatih menggunakan TensorFlow dan Keras, dengan tuning hyperparameter meliputi dropout rate, jumlah unit LSTM, dan learning rate menggunakan optimizer Adam. Evaluasi model dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa setelah tuning hyperparameter, performa model mengalami peningkatan. Akurasi pada training set meningkat dari 81.27% menjadi 82.56%, sedangkan pada testing set meningkat dari 77.51% menjadi 77.99%. F1-score pada training set meningkat dari 0.7914 menjadi 0.8080, sementara pada testing set naik dari 0.7504 menjadi 0.7647. Precision pada training set meningkat dari 0.8126 menjadi 0.8242, sementara pada testing set meningkat dari 0.7859 menjadi 0.7867. Recall pada training set meningkat dari 0.8127 menjadi 0.8256, sedangkan pada testing set naik dari 0.7751 menjadi 0.7799. Model Bi-LSTM menunjukkan performa optimal dalam mengklasifikasikan kondisi cuaca yang umum, meskipun masih mengalami kesulitan dalam mengenali kelas cuaca yang jarang terjadi.

Actions (login required)

View Item