Analisis Prediksi Cuaca Jakarta Pusat Dengan Model Deep Learning LSTM

Muhammad Ferreyra  Fajri; Nezvito  Aryra; Nasrun Hadi; Raja ikbar

doi:10.31004/riggs.v4i4.3930

Authors

Muhammad Ferreyra Fajri Universitas Bina Sarana Informatika
Nezvito Aryra Universitas Bina Sarana Informatika
Nasrun Hadi Universitas Bina Sarana Informatika
Raja ikbar Universitas Bina Sarana Informatika

DOI:

https://doi.org/10.31004/riggs.v4i4.3930

Keywords:

BMKG, LSTM, Predikksi Cuaca, Kecerdasan Buatan

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.

Downloads

Download data is not yet available.

References

B. Nugroho, “Dampak Perubahan Iklim terhadap Ketidakpastian Cuaca di Indonesia,” Jurnal Meteorologi Tropis, vol. 10, no. 2, pp. 45–53, 2022.

S. Kurniawan, “Implementasi Deep Learning pada Prediksi Cuaca Berbasis Deret Waktu,” Jurnal Sains Komputasi, vol. 8, no. 1, pp. 12–20, 2023.

R. Irwan, “Penerapan LSTM untuk Prediksi Parameter Cuaca Harian di Jawa Tengah,” Jurnal Atmosfer dan Lingkungan, vol. 5, no. 3, pp. 101–110, 2023.

Y. E. Nugraha, “Analisis Model LSTM pada Prediksi Cuaca di Serang, Banten,” Jurnal Teknologi dan Informasi, vol. 7, no. 2, pp. 66–74, 2023.

F. Rahmadani, “Kinerja Arsitektur Long Short-Term Memory dalam Pemodelan Time Series,” Jurnal Informatika Terapan, vol. 4, no. 1, pp. 23–31, 2022.

https://www.sciencedirect.com/science/article/pii/S1319157824001575?via%3Dihub

Badan Meteorologi, Klimatologi, dan Geofisika (BMKG), “Data Iklim Harian Stasiun Meteorologi Kemayoran,” BMKG, Jakarta, 2025.

F. Ahmed and V. Kumar, “A Comprehensive Review of LSTM Architectures

and Their Mathematical Foundations,” Int. J. Neural Syst., vol. 34, no. 1, 2024..

N. W. Hartono and S. Widodo, “Application of LSTM for Short-Term Weather

Prediction Using Multi-Feature Meteorological Data,” J. Artif. Intell. Res., vol. 12, no. 4, pp. 201–215, 2022..

L. Chen, H. Wu, Y. Zhao, and S. Li, “Enhanced LSTM Models for Time-Series

Forecasting,” IEEE Access, vol. 11, pp. 11245–11260, 2023..

R. Zhao, J. Wang, and H. Liu, “Deep Learning for Time-Series Forecasting: A Survey,”

Sensors, vol. 21, no. 19, pp. 1–28, 2021..

F. Abdillah, A. I. Hadiana, dan M. Melina, “Prediksi Curah Hujan Menggunakan Metode Bi-LSTM dan GRU Berbasis Data Iklim,” Jurnal Algoritma, vol. 22, no. 2, pp. 12–21, 2025.

Adi Nugroho and M. Haris, "Analisis Efektivitas Teknik Imputasi pada LSTM untuk Meningkatkan Kualitas Data pada Peramalan Curah Hujan," Jurnal Informatika dan Rekayasa Elektronik, 2025.

Elita R. Putri, "Evaluasi Model dengan MSE, RMSE, MAE, MAPE, dan R²," Jurnal Nasional Teknologi dan Sistem Informasi – TEKNOSI, vol. 10, no. 1, 2024.

Analisis Perbandingan Fungsi Loss MSE dan Cauchy dalam Prediksi Harga,” Kohesi: Jurnal Sains dan Teknologi, 2025.

T. Lattifia, P. W. Buana, dan N. K. D. Rusjayanthi, “Model Prediksi Cuaca Menggunakan Metode LSTM,” JITTER: Jurnal Ilmiah Teknologi dan Komputer, 2022.

K. A. Putra, “Evaluasi Model LSTM untuk Prediksi Cuaca Harian di Indonesia,” Jurnal Sains dan Teknologi, vol. 11, no. 4, pp. 250–258, 2023.

M. S. Prakoso, “Analisis Stabilitas Prediksi Cuaca menggunakan LSTM pada Data Meteorologi,” Journal of Environmental Data Science, vol. 2, no. 2, pp. 40–48, 2022.

D. Wibowo, “Perbandingan Regresi Linear dan LSTM untuk Prediksi Suhu dan Kelembapan,” Jurnal Sistem Cerdas, vol. 9, no. 1, pp. 1–10, 2023.