Prediksi Kejadian Frost Berbasis Parameter Cuaca Menggunakan Deep Learning

Pangaribuan, Alfin Rianto (2025) Prediksi Kejadian Frost Berbasis Parameter Cuaca Menggunakan Deep Learning. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6022231037-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2027. Download (2MB) | Request a copy

Abstract

Fenomena meteorologi memiliki dampak besar terhadap lingkungan dan masyarakat. Salah satu fenomena yang sering terjadi adalah frost, yang berpotensi merusak tanaman pertanian dan perkebunan, sehingga dapat memicu gagal panen dan kelaparan. Untuk memitigasi dampak tersebut, diperlukan prediksi kejadian frost secara akurat. Penelitian ini bertujuan memprediksi kejadian frost dengan memanfaatkan parameter cuaca yang dikumpulkan dari Stasiun Meteorologi Batur, Dieng. Data parameter cuaca ini dianalisis menggunakan metode deep learning untuk mengenali pola kejadian frost. Model prediksi berbasis parameter cuaca dengan Long Short-Term Memory (LSTM) menunjukkan kemampuan tinggi dalam mengenali pola kejadian frost. Dalam skenario variasi parameter cuaca, model yang menggunakan 4 parameter (rata-rata suhu udara 10 menit, rata-rata kecepatan angin 10 menit, rata-rata arah angin 10 menit, dan kejadian frost) memberikan hasil terbaik dengan loss terkecil sebesar 0,0022 pada epoch ke-97 dan akurasi tertinggi sebesar 0,9997 pada epoch ke-98. Model ini juga mencatat rata-rata loss sebesar 0,0088 dan rata-rata akurasi 0,9987 dengan waktu pelatihan 354,21 detik. Selama pengujian, model menunjukkan pola Receiver Operating Characteristic (ROC) curve yang tajam dan stabil dengan nilai AUC 1,0, serta tingkat kesalahan prediksi yang rendah pada Confusion Matrix. Dalam skenario variasi resolusi waktu, model dengan resolusi 10 menit menghasilkan performa terbaik, dengan loss terkecil sebesar 0,0016 pada epoch ke-97 dan akurasi tertinggi 0,9997 pada epoch ke-70. Rata-rata loss yang dicapai adalah 0,0077, sementara rata-rata akurasi mencapai 0,9986. Model ini juga mempertahankan pola ROC curve yang tajam dan stabil dengan nilai AUC 1,0 serta kesalahan prediksi yang sangat rendah pada Confusion Matrix. Sebaliknya, model dengan resolusi waktu lebih besar, seperti 1 jam dan 1 hari, menunjukkan penurunan performa. Pada resolusi 1 hari, model bahkan tidak mampu mendeteksi kejadian frost sama sekali. Penelitian ini membuktikan bahwa parameter cuaca yang diproses menggunakan LSTM mampu secara efektif memprediksi kejadian frost. Konfigurasi terbaik adalah model dengan 4 parameter dan resolusi waktu 10 menit, yang memberikan akurasi tinggi serta kesalahan prediksi yang rendah dalam mendeteksi pola frost.
=================================================================================================================================
Meteorological phenomena have significant impacts on the environment and society. One such phenomenon is frost, which can cause damage to agricultural and plantation crops, potentially leading to crop failure and famine. To mitigate these impacts, frost event prediction is essential. This study aims to predict frost events based on weather parameters collected from the Batur Meteorological Station in Dieng. The weather data were processed using deep learning methods to identify frost event patterns. The weather parameter-based prediction model using Long Short-Term Memory (LSTM) demonstrated a high capability in recognizing frost event patterns. Based on the scenario of varying weather parameters, the model with 4 parameters (10-minute average air temperature, 10-minute average wind speed, 10-minute average wind direction, and frost occurrence) achieved the best performance with a minimum loss of 0.0022 at epoch 97 and the highest accuracy of 0.9997 at epoch 98. The model recorded an average loss of 0.0088, an average accuracy of 0.9987, and a training time of 354.21 seconds. During testing, this model exhibited a sharp and stable ROC curve with an AUC of 1.0 and minimal prediction errors in the confusion matrix. In the time resolution variation scenario, the model with a 10-minute resolution showed the best performance with a minimum loss of 0.0016 at epoch 97 and the highest accuracy of 0.9997 at epoch 70. The model achieved an average loss of 0.0077 and an average accuracy of 0.9986. During testing, the 10-minute resolution model also displayed a sharp and stable ROC curve with an AUC of 1.0 and very low prediction errors. In contrast, models with 1-hour and 1-day resolutions showed decreased performance, with the 1-day resolution model failing to detect frost events. The results of this study indicate that weather parameters processed using LSTM can be effectively utilized to predict frost events. The model with 4 parameters and a 10-minute time resolution is the best configuration for detecting frost patterns with high accuracy and low error rates.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Deep Learning, LSTM, Meteorologi, Prediksi Frost, Pembelajaran Mendalam, Meteorology, Frost Prediction
Subjects:	Q Science > Q Science (General) > Q337.5 Pattern recognition systems Q Science > QA Mathematics > QA336 Artificial Intelligence Q Science > QC Physics > QC871 Meteorology--Observations.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User:	Alfin Rianto Pangaribuan
Date Deposited:	23 Jan 2025 01:33
Last Modified:	23 Jan 2025 01:33
URI:	http://repository.its.ac.id/id/eprint/116648

Actions (login required)

View Item