Prediksi Curah Hujan Menggunakan Long Short Term Memory
Jamilatul Badriyah, Arna Fariza, Tri Harsono*
Teknik, Informatika dan Komputer, Politeknik Elektronika Negeri Surabaya, Surabaya, Indonesia Email: 1[email protected], 2[email protected], 3,*[email protected]
Email Penulis Korespondensi: [email protected]
Abstrak−Pentingnya prediksi curah hujan pada bidang – bidang yang membutuhkan informasi curah hujan seperti dalam bidang pertanian, transportasi dan industri. Prediksi curah hujan dengan statistik dilakukan untuk menyelesaikan permasalahan paper ini, dengan demikian paper ini mengusulkan prediksi curah hujan menggunakan Long Short Term Memory pada studi kasus : Kota Surabaya. Data yang digunakan adalah data curah hujan di dua stasiun surabaya yaitu stasiun meteorology perak I dan stasiun meteorology maritime tanjung perak dari tahun 2015 sampai tahun 2020. Pengujian prediksi dilakukan menggunakan algoritma Long Short Term Memory dengan hasil pengukuran akurasi MSE 0.489, MAE 0.537 dan R2 0.497 dari hasil tersebut membuktikan bahwa algoritma Long Short Term Memory lebih baik dibandingkan dengan penelitian sebelumnya.
Kata Kunci: Prediksi; Curah Hujan; Deret Waktu; Multiatribut; Deep Learning
Abstract−The importance of predicting rainfall in fields that require rainfall information such as in agriculture, transportation and industry. Prediction of rainfall with statistics is done to solve the problems of this paper, thus this paper proposes prediction of rainfall using Long Short Term Memory in the case study: Surabaya City. The data used is rainfall data at two Surabaya stations, namely the Perak Meteorological Station I and the Tanjung Perak Maritime Meteorology Station from 2015 to 2020.
The prediction test was carried out using the Long Short Term Memory algorithm with accuracy measurement results MSE 0.489, MAE 0.537 and R2 0.497. from these results prove that the Long Short Term Memory algorithm is better than previous studies.
Keywords: Prediction; Rainfall; Time Series; Multiatribut; Deep Learning
1. PENDAHULUAN
Informasi cuaca merupakan kebutuhan yang sangan penting dan berpengaruh dalam kehidupan sehari – hari, dengan demikian prediksi curah hujan sangat penting bagi bidang – bidang yang membutuhkan seperti dalam bidang pertanian, transportasi dan industri[1]. Dalam bidang pertanian, curah hujan dipengaruhi oleh faktor cuaca yang dijadikan sebagai salah satu acuan dalam menentukan kecocokan jenis tanaman yang akan di budidayakan[2].
Dalam bidang transportasi, curah hujan dipengaruhi oleh faktor cuaca seperti pola angin dan curah hujan juga sangat mempengaruhi kelancaran jalur transportasi, baik transportasi laut maupun udara. Sedangkan dalam bidang industri, curah hujan sangat penting untuk industri tradisional, banyak industri tradisional yang masih bergantung pada kondisi cuaca termasuk curah hujan, industri tersebut umumnya menggunakan panas matahari seperti industri genteng, batu bata dan krupuk.
Besarnya curah hujan yang akan terjadi tidak bisa ditentukan secara pasti, namun bisa di prediksi atau diperkirakan, dengan menggunakan data historis curah hujan pada waktu yang lampau, maka dapat di perkirakan besarnya curah hujan di masa yang akan datang[3]. Banyak cara yang dapat dilakukan untuk memprediksi besarnya curah hujan yang akan datang menggunakan beberapa pendekatan statistik seperti moving average, ARIMA ,dan algoritma Long Short term Memory, penggunaan artificial intelligence penting dilakukan pada proses prediksi untuk data time series seperti pada algoritma NN, dan KNN.
Long short term memory adalah salah satu algoritma perhitungan data time series dengan data yang digunakan seperti curah hujan, algoritma ini cukup terbukti handal dalam memprediksi beberapa tahun terakhir ini[4]. Salah satu keunggulan penting algoritma ini adalah kemampuan mengingat dari sekuens long term (ukuran data) yang sulit dicapai dengan teknik fitur tradisional dan algoritma ini juga dapat menggunakan ukuran data yang lebih besar dengan menggunakan semua informasi data sebagai masukannya[5].
Muhammad, Setio., et al (2020) mengungkapkan bahwa algoritma LSTM terbukti berhasil memproses prediksi curah hujan di Kota Malang dengan parameter curah hujan pada peramalan time series dengan hasil yang optimal dengan persentase akurasi 80%[6].
Rafidah, Arna., et al (2019) menggunakan algoritma LSTM untuk memprediksi curah hujan, penggunaan algoritma LSTM menghasilkan klasifikasi tidak hujan, gerimis, hujan sedang, hujan deras dan hujan sangat berat dengan nilai di stasiun juanda memiliki RMSE 15.719 dan MSE 247.090, pada station perak 1 memiliki RMSE 15.706 dan MSE 246.692 dan pada station perak 2 memiliki RMSE 13.545 dan MSE 183.455 dengan nilai tersebut dapat diketahui samakin banyak nilai MSE, semakin kecil nilai kesalahannya[7]. Dari beberapa penelitian tersebut prediksi curah hujan hanya berdasarkan single atribut dan output berupa nilai curah hujan. Pada daerah tropis hal ini sangat menyulitkan karena tidak setiap hari hujan[8].
Masing masing algoritma yang telah dipaparkan diatas dapat diterapkan dalam memprediksi suatu keadaan yang akan datang[9]. Pada penelitian ini penulis mencoba memprediksi curah hujan di Kota Surabaya dengan meultiatribut menggunakan algoritma Long Short term Memory dengan menggunakan data curah hujan tahun 2015 sampai tahun 2020. Penelitian ini bertujuan untuk memprediksi curah hujan menggunakan algoritma Long Short term Memory untuk mendapatkan hasil akurasi yang lebih baik dari sebelumnya, agar dapat memberikan informasi
– informasi curah hujan dimasa yang akan datang bagi yang masyarakat yang membutuhkan terutama di Kota Surabaya.
2. METODOLOGI PENELITIAN
Dalam penelitian ini terdapat desain sistem yang akan digunakan, pada desain sistem ini terdiri dari tiga bagian yaitu pemilahan data, pre-processing, dan prediksi seperti ditunjukkan pada Gambar 1.
Gambar 1. Perancangan Proses Prediksi
Pada gambar 2 menunjukkan bagian dari proses prediksi yang memiliki 2 bagian yaitu pemilahan data, pre- processing, dan prediksi. Sistem dimulai dari pengambilan data secara online dari 2 stasiun di surabaya yaitu dari stasiun meteorology perak I dan stasiun meteorology maritime tanjung perak yang sudah disediakan oleh Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) secara gratis. Kemudian dilakukan pemilihan data yang akan digunakan karena tidak semua data dari BMKG digunakan pada penelitian ini.
Setelah proses pengumpulan dan pemilihan data maka dimasukkan ke dalam format CSV. Data yang dipilih akan dilakukan proses pemilahan untuk data training dan data testing,untuk tahap selanjutnya dilakukan proses pre-processing dimana preprocessing data terdiri dari 2 aktifitas yaitu cleaning dan normalisasi. Proses cleaning bertujuan untuk mengisi nilai yang kosong dengan menggunakan rata-rata bergerak dan mengoreksi data secara sistematis lewat algoritma. Pada prosesnya, pembersihan data ini dilakukan tidak hanya dengan cara otomatis namun juga dengan proses manual. Normalisasi digunakan untuk menyamakan jangkauan data setiap atribut yang mempunyai jangkauan yang berbeda, normalisasi menggunakan rasio setiap atribut, secara khusus tujuan normalisasi untuk menghilangkan dan mengurangi redudansi data dan yang kedua adalah memastikan dependensi data berada pada tabel yang tepat, Jika data dalam tabel penyimpanan tersebut belum di normalisasi maka akan terjadi kemungkinan yang akan merugikan sistem secara keseluruhan. Kemudian diolah menjadi pemodelan LSTM sehingga menghasilkan nilai prediksi, untuk mengukur keakurasian algoritma maka dilakukan perhitungan rumus menggunakan MSE, MAE, dan R2.
2.1 Pengumpulan Data
Data curah hujan yang akan digunakan pada penelitian ini diperoleh dari situs Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) dari tahun 2015 sampai tahun 2020. Atribut yang digunakan yaitu curah hujan, curah hujan menggunakan 1 variable yaitu RR . Data tersebut dijadikan acuan sebagai informasi dari masa lampau dimana data tersebut akan digunakan pada proses pelatihan data (data training) dan data (data testing), untuk pembagian data training sebanyak 85% dan untuk data testing 15% dengan menggunakan algoritma Long Short Term Memory (LSTM). Berikut plot data dari 2 stasiun Kota Surabaya seperti pada Gambar 2 dan 3.
Gambar 2. Plot Data Stasiun Meteorology Perak 1
Gambar 3. Plot Data Stasiun Meteorology Maritime Tanjung Perak 2.2 Pre-processing
Pada proses pre-processing terdiri dari 2 aktifitas yaitu cleaning dan normalisasi. Proses cleaning terdiri dari 2 yaitu mengganti 8888 atau 9999 jadi 0 dan ffill, yang dimaksudkan ffill yaitu untuk mengisi nilai yang hilang dengan nilai sebelumnya. Proses cleaning bertujuan untuk mengisi nilai yang kosong dengan menggunakan rata- rata bergerak dan mengoreksi data secara sistematis lewat algoritma. Pada proses normalisasi menggunakan rumus min-max dimana setiap nilai pada sebuah fitur dikurangi dengan nilai minimum fitur tersebut. Normalisasi digunakan untuk menyamakan jangkauan data setiap atribut yang mempunyai jangkauan yang berbeda, Pada prosesnya, proses data ini dilakukan tidak hanya dengan cara otomatis namun juga dengan proses manual.
Seperti pada Tabel 1 dan 2 sebelum dan sesudah Pre-Processing sebagai berikut.
Tabel 1. Data Sebelum Pre-Processing
Data ke - Tanggal Tn Tx RH_avg RR ss Ff_avg
2186 22-12-2020 26.4 34.3 74.0 5.0 0.6 2.0
2183 23-12-2020 25.1 33.4 73.0 21.9 5.8 2.0
2184 24-12-2020 25.7 33.1 76.0 0.0 8.0 1.0
2185 25-12-2020 26.2 32.9 81.0 0.0 5.7 2.0
2186 26-12-2020 25.8 33.8 78.0 8888.0 3.6 1.0
2187 27-12-2020 25.8 33.4 78.0 1.0 4.0 2.0
2188 28-12-2020 24.6 34.0 82.0 25.5 5.2 2.0
Tabel 2. Data Setelah Pre-Processing
Data ke - Tanggal Tn Tx RH_avg RR ss Ff_avg
2186 22-12-2020 26.4 34.3 74.0 5.0 0.6 2.0
2183 23-12-2020 25.1 33.4 73.0 21.9 5.8 2.0
2184 24-12-2020 25.7 33.1 76.0 0.0 8.0 1.0
2185 25-12-2020 26.2 32.9 81.0 0.0 5.7 2.0
2186 26-12-2020 25.8 33.8 78.0 0.0 3.6 1.0
2187 27-12-2020 25.8 33.4 78.0 1.0 4.0 2.0
2188 28-12-2020 24.6 34.0 82.0 25.5 5.2 2.0
2.3 Prediksi dengan LSTM
Prediksi dapat dikatakan sebagai kegiatan yang bisa di lakukan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang dengan menggunakan data – data lampau dengan indikator teretentu untuk melakukan peramalan atau prediksi dimasa yang akan datang[10]. Ada sebagian besar yang sangat membutuhkan kegiatan tersebut diantaranya seperti prediksi harga, prediksi hasil produksi, prediksi stok barang dan lainnya[11].
Penggunaan algoritma Long Short Term Memory (LSTM) pada penelitian ini sangatlah penting dalam letak deret waktu, dengan penggunaan LSTM ini model mengekstrak fitur abstrak dari urutan nilai sensor dari data dari pada teknik secara manual dan hal ini sangatlah membantu pada proses prediksi[12]. Proses prediksi dilakukan setelah proses pre-processing dengan menggunakan algoritma perhitungan Long Short Term Memory (LSTM), dalam algoritma LSTM terdapat 3 gate yaitu input gate, forget gate, dan output gate seperti pada rumus berikut.
𝑖𝑡= 𝜎 (𝑊𝑖𝑋𝑡+ 𝑈𝑖ℎ𝑡−1+ 𝑏𝑖) (1)
Dimana it adalah nilai dari input gate, Wi adalah bobot untuk nilai input pada waktu ke t, dan Xt adalah nilai input pada waktu ke t, Ui adalah bobot untuk nilai output dari waktu ke t-1, ht-1 adalah nilai output dari waktu ke t-1 dan bi adalah bias pada input gate dan σ adalah fungsi sigmoid.
𝑓𝑡= 𝜎 (𝑊𝑓𝑥𝑡+ 𝑈𝑓ℎ𝑡−1+ 𝑏𝑓) (2)
Dimana ft adalah nilai dari forget gate, Wf adalah bobot untuk nilai input pada waktu ke t, xt adalah nilai input pada waktu ke t, Uf adalah bobot untuk nilai output dari waktu ke t-1, ht-1 adalah nilai output dari waktu ke t-1 dan bf adalah biass pada forget gate dan σ adalah fungsi sigmoid
𝑜𝑡= 𝜎 (𝑊𝑜𝑥𝑡+ 𝑈𝑜ℎ𝑡−1+ 𝑏0) (3)
Dimana Ot adalah nilai dari output gate, Wo adalah bobot untuk nilai input pada waktu ke t, xt adalah nilai input pada waktu ke t, Uo adalah bobot untuk nilai output dari waktu ke t-1, ht-1 adalah nilai output dari waktu ke t-1 dan bo adalah biass pada forget gate dan σ adalah fungsi sigmoid
Proses prediksi menggunakan algoritma LSTM dengan rencana training menggunakan komposisi training:testing 85:15, setelah mendapatkan hasil dari perhitungan prediksi menggunakan algoritma perhitungan Long Short Term Memory (LSTM) maka dilakukan pengujian akurasi menggunakan rumus MSE, MAE dan R2. Persamaan dari ketiga tersebut seperti pada rumus berikut.
𝑀𝑆𝐸 = 1
𝑛 ∑𝑛𝑖=1(𝑌𝑖 − Ŷ𝑖)² (4)
𝑀𝐴𝐸 = ∑𝑛𝑖=1|𝑦𝑖−𝑥𝑖|
𝑛 (5)
𝑅² = 1 − 𝑅𝑆𝑆
𝑇𝑆𝑆 (6)
3. HASIL DAN PEMBAHASAN
Pada bagian ini penulis melakukan percobaan dan analisa pada sistem yang telah dibuat. Percobaan tersebut yang akan menjelaskan hasil dari training dan testing yang sudah di uji cob agar berjalan dengan baik sesuai dengan tujuan dari penelitian ini.
3.1 Pengujian Prediksi
Pengujian prediksi dilakukan berkali kali untuk mendapatkan hasil yang optimal. Hasil dari proses tersebut terdiri dari nilai prediksi berdasarkan data curah hujan yang digunakan kemudian dibandingkan dengan Algoritma pelatihan lainnya seperti RNN, dan GRU. Untuk mengukur akurasi dilakukan perbandingan dari perhitungan MSE, MAE dan R2. Berikut hasil pengujian prediksi.
a. Hasil pengujian menggunakan LSTM
Pengujian dilakukan untuk mengukur keberhasilan algoritma LSTM dalam melakukan prediksi dengan hasil kesalahan yang diperoleh saat proses prediksi. Berikut hasil training dan testing seperti pada Tabel 3 dan Gambar 4 dan 5 berikut.
Tabel 3. Hasil Training dan Testing Menggunakan Algoritma LSTM Data ke - Tanggal Data Real Training Testing
2186 22-12-2020 25.2 26.4 26.106981
2183 23-12-2020 25.2 25.199999 26.121296
2184 24-12-2020 23.8 25.5 25.233892
2185 25-12-2020 25.0 26.4 25.893497
2186 26-12-2020 24.8 25.9 26.200737
Gambar 4. Hasil Training menggunakan LSTM
Gambar 5. Hasil Testing menggunakan LSTM
b. Hasil pengujian menggunakan GRU
Pengujian dilakukan untuk mengukur keberhasilan algoritma GRU dalam melakukan prediksi dengan hasil kesalahan yang diperoleh saat proses prediksi. Berikut hasil training dan testing seperti pada Tabel 4 dan Gambar 6 dan 7 berikut.
Tabel 4. Hasil Training dan Testing Menggunakan Algoritma GRU Data ke - Tanggal Data Real Training Testing
2186 22-12-2020 25.2 26.4 25.920385
2183 23-12-2020 25.2 25.199999 26.066795
2184 24-12-2020 23.8 25.5 25.225288
2185 25-12-2020 25.0 26.4 25.152758
2186 26-12-2020 24.8 25.9 26.45137
Gambar 6. Hasil Training menggunakan GRU
Gambar 7. Hasil Testing menggunakan GRU c. Hasil pengujian menggunakan RNN
Pengujian dilakukan untuk mengukur keberhasilan algoritma RNN dalam melakukan prediksi dengan hasil kesalahan yang diperoleh saat proses prediksi. Berikut hasil training dan testing seperti pada Tabel 5 dan Gambar 8 dan 9 berikut.
Tabel 5. Hasil Training dan Testing Menggunakan Algoritma RNN Data ke - Tanggal Data Real Training Testing 2186 22-12-2020 25.2 26.4 25.932573 2183 23-12-2020 25.2 25.199999 26.093853
2184 24-12-2020 23.8 25.5 25.52278
2185 25-12-2020 25.0 26.4 25.625013
2186 26-12-2020 24.8 25.9 26.245043
Gambar 8. Hasil Training menggunakan RNN
Gambar 9. Hasil Testing menggunakan RNN d. Perbandingan algoritma dengan menggunakan akurasi MSE, MAE, dan R2
Proses selanjutnya adalah memperbandingkan algoritma yang dipakai untuk pengujian sebelumnya. Seperti pada Tabel 6 berikut
Tabel 6. Hasil Akurasi dari ke-3 Algoritma
RNN LSTM GRU
MSE 0.50920266 0.48907763 0.61313987
MAE 0.55008036 0.5376599 0.6162644
R2 0.4784822116455414 0.49740878574591374 0.39611370610036956 Dari perbandingan diatas dapat dihasilkan akurasi terbaik menggunakan algoritma LSTM dari hasil MSE, MAE dan R2. Nilai MSE diketahui Semakin tinggi nilai tersebut, semakin buruk modelnya. Nilai MSE tidak pernah negatif, karena menguadratkan kesalahan prediksi individu sebelum menjumlahkannya, tetapi akan menjadi nol untuk model yang sempurna. Semakin kecil nilai MAE maka menunjukkan bahwa model tersebut bagus dalam prediksi. Sedangkan untuk R2 Semakin dekat nilainya ke 1, semakin baik kesesuaian antara prediksi dan nilai sebenarnya.
4. KESIMPULAN
Setelah melakukan pengujian prediksi curah hujan di kota surabaya, hasil algoritma Long Short Term Memory (LSTM) menunjukkan lebih baik dibandingkan dengan algoritma RNN dan GRU dengan nilai MSE 0.489, MAE 0.537 dan R2 0.497 dikarenakan nilai tersebut memiliki tingkat error paling kecil dibandingkan yang lain.
Berdasarkan hasil diatas dapat disimpulkan bahwa prediksi curah hujan di kota Surabaya menggunakan Long short Term Memory (LSTM) berjalan dengan optimal dibandingkan dengan penelitian sebelumnya, dikarenakan penelitian ini dilakukan dengan pengujian menggunakan perbandingan 2 algoritma seperti RNN dan GRU. Dengan demikian sistem yang dibangun dapat memprediksi curah hujan di kota Surabaya dengan atribut curah hujan yang digunakan.
REFERENCES
[1] Dwiratna, N. P. S., Nawawi, G., dan Asdak, C. 2013. Analisis Curah Hujan dan Aplikasinya dalam Penetapan Jadwal dan Pola Tanam Pertanian Lahan Kering di Kabupaten Bandung. Bionatura, 15..
[2] R. Harun, K. Chandra Pelangi, and Y. Lasena, “PENERAPAN DATA MINING UNTUK MENENTUKAN POTENSI HUJAN HARIAN DENGAN MENGGUNAKAN ALGORITMA K NEAREST NEIGHBOR (KNN),” Online, 2020.
[Online]. Available: http://e-journal.stmiklombok.ac.id/index.php/misi
[3] S. Harlina and U. Usman, “Analisa Prediktif Curah Hujan Data Time Series Berbasis Metode Neural Network,” Inspir.
J. Teknol. Inf. dan Komun., vol. 10, no. 2, p. 163, 2020, doi: 10.35585/inspir.v10i2.2586.
[4] S. J. and S. A., “A COMPARATIVE ANALYSIS OF WEB INFORMATION EXTRACTION TECHNIQUES DEEP LEARNING vs. NAÏVE BAYES vs. BACK PROPAGATION NEURAL NETWORKS IN WEB DOCUMENT EXTRACTION,” ICTACT J. Soft Comput., vol. 06, no. 02, pp. 1123–1129, Jan. 2016, doi: 10.21917/ijsc.2016.0156.
[5] D. Desmonda, M. Azhar Irwansyah, J. H. Hadari Nawawi, and K. Barat, “Prediksi Besaran Curah Hujan Menggunakan Metode Fuzzy Time Series,” vol. 6, no. 4, 2018.
[6] A. Fadholi, S. Meteorologi, and D. Amir, “Persamaan Regresi Prediksi Curah Hujan Bulanan Menggunakan Data Suhu dan Kelembapan Udara di Ternate,” 2013.
[7] M. Rizki, S. Basuki, and Y. Azhar, “Implementasi Deep Learning Menggunakan Arsitektur Long Short Term Memory Untuk Prediksi Curah Hujan Kota Malang,” REPOSITOR, vol. 2, no. 3, pp. 331–338, 2020.
[8] A. Zainudin et al., Proceedings, IES 2019 : IES, International Electronics Symposium : Surabaya, Indonesia, September 27-28, 2019 : the Role of Techno-intelligence in Creating an Open Energy System Towards Energy Democracy.
[9] A. Satyo and B. Karno, “Analisis Data Time Series Menggunakan LSTM (Long Short Term Memory) dan ARIMA (Autocorrelation Integrated Moving Average) dalam Bahasa Python,” Ultim. InfoSys, vol. XI, no. 1, 2020.
[10] D. Septiadi, “APLIKASI SOFT COMPUTING PADA PREDIKSI CURAH HUJAN DI KALIMANTAN,” pp. 63–69, 2020..
[11] I. Wahyuni and iini Ahda, “Pemodelan Fuzzy Inference System Tsukamoto Untuk Prediksi Curah Hujan Studi Kasus Kota Batu,” J. Ilm. Teknol. Inf. Asia, vol. 12, no. 2, 2018.
[12] H. Jayadianti, T. A. Cahyadi, N. A. Amri, and M. F. Pitayandanu, “METODE KOMPARASI ARTIFICIAL NEURAL NETWORK PADA PREDIKSI CURAH HUJAN - LITERATURE REVIEW,” J. Tekno Insentif, vol. 14, no. 2, pp. 48–
53, Aug. 2020, doi: 10.36787/jti.v14i2.150.
[13] F. Novisnky Mandey, S. Kolibu, and M. D. Bobanto, “Pemodelan Sistem Prediksi Intensitas Curah Hujan di Kota Manado Dengan Menggunakan Kontrol Logika Fuzzy.”
[14] A. Satyo Bayangkari Karno, J. K. Noer Ali, and K. Bekasi, “Prediksi Data Time Series Saham Bank BRI Dengan Mesin Belajar LSTM (Long ShortTerm Memory),” J. Inf. Inf. Secur., vol. 1, no. 1, pp. 1–8, 2020, [Online]. Available:
http://ejurnal.ubharajaya.ac.id/index.php/jiforty
[15] J. Wira and G. Putra, “Pengenalan Konsep Pembelajaran Mesin dan Deep Learning Edisi 1.4 (17 Agustus 2020).”
[16] E. Supriyadi, “PREDIKSI PARAMETER CUACA MENGGUNAKAN DEEP LEARNING LONG-SHORT TERM MEMORY (LSTM) WEATHER PARAMETERS PREDICTION USING DEEP LEARNING LONG-SHORT TERM MEMORY (LSTM).” [Online]. Available: http://bmkgsoft.database.bmkg.go.id.
[17] H. Freecenta, E. Y. Puspaningrum, and H. Maulana, “PREDIKSI CURAH HUJAN DI KAB.MALANG MENGGUNAKAN LSTM (Long Short Term Memory),” 2022. [Online]. Available:
https://dataonline.bmkg.go.id/data_iklim,
[18] B. A. Aprian, Y. Azhar, V. Rahmayanti, and S. Nastiti, “Jurnal Politeknik Caltex Riau,” 2020. [Online]. Available:
https://jurnal.pcr.ac.id/index.php/jkt/
[19] L. Nury, I. Afida, I. Putra, I. Azizah, S. Nabawi, and A. Alifia, “Pembelajaran Mesin Lanjut Forecasting Temperature Menggunakan LSTM.” [Online]. Available: www.wunderground.com.
[20] Y. Karyadi and H. Santoso, “Prediksi Kualitas Udara Dengan Metoda LSTM, Bidirectional LSTM, dan GRU”.
