Analisis sensitivitas arsitektur long short-term memory untuk prediksi penyinaran matahari

Faiza, Nor, Almais, Agung Teguh Wibowo ORCID: https://orcid.org/0000-0001-7770-1954, Pagalay, Usman, Kusumawati, Ririen ORCID: https://orcid.org/0000-0001-6090-7219, Arif, Yunifa Miftachul ORCID: https://orcid.org/0000-0002-2183-0762, Zarkoni, Ahmad and Ulum, Mohammad Mamba'ul (2026) Analisis sensitivitas arsitektur long short-term memory untuk prediksi penyinaran matahari. JATI (Jurnal Mahasiswa Teknik Informatika), 10 (03). pp. 5124-5130. ISSN 2598-828X

Preview

Text 28856.pdf - Published Version Available under License Creative Commons Attribution Share Alike. Download (792kB) | Preview

Abstract

Prediksi parameter meteorologi merupakan tantangan yang kompleks dalam bidang informatika karena tingginya variabilitas dan sifat non-linier data atmosfer. Permasalahan utama dalam studi ini adalah fluktuasi data penyinaran matahari yang sulit diidentifikasi oleh model konvensional, serta adanya risiko degradasi performa model akibat konfigurasi arsitektur dan pembagian data yang tidak optimal. Penelitian ini bertujuan untuk mengevaluasi efektivitas arsitektur jaringan Long Short-Term Memory (LSTM) dalam memprediksi kondisi cuaca harian melalui variabel Solar Radiation Average (SR Avg), Solar Radiation Maximum (SR Max), dan durasi penyinaran. Metode yang digunakan adalah eksperimen kuantitatif dengan membandingkan tiga variasi arsitektur (Model A: lapisan tunggal, Model B: stacked layer, dan Model C: deep stacked) serta pengujian terhadap tiga skenario rasio pembagian data, yaitu 70:30, 80:20, dan 90:10. Hasil eksperimen menunjukkan bahwa rasio data 70:30 menghasilkan performa paling stabil, di mana Model B menjadi arsitektur paling optimal dengan nilai Mean Absolute Error (MAE) terendah sebesar 0,072510, sementara Model A mencatat Root Mean Square Error (RMSE) terbaik sebesar 0,114368. Sebaliknya, penggunaan proporsi data latih yang ekstrem (90:10) memicu penurunan kinerja signifikan akibat gejala overfitting, sehingga pemilihan kedalaman arsitektur yang moderat dan keseimbangan distribusi data menjadi faktor kunci dalam akurasi prediksi.

Item Type:	Journal Article
Keywords:	prediksi cuaca; lstm; penyinaran matahari; optimasi hiperparameter; deep learning
Subjects:	08 INFORMATION AND COMPUTING SCIENCES > 0801 Artificial Intelligence and Image Processing > 080105 Expert Systems 08 INFORMATION AND COMPUTING SCIENCES > 0801 Artificial Intelligence and Image Processing > 080109 Pattern Recognition and Data Mining 08 INFORMATION AND COMPUTING SCIENCES > 0801 Artificial Intelligence and Image Processing 09 ENGINEERING > 0915 Interdisciplinary Engineering
Divisions:	Graduate Schools > Magister Programme > Graduate School of Informatics Engineering
Depositing User:	Ririen Kusumawati
Date Deposited:	29 Aug 2026 08:11

Downloads

Origin of downloads

Actions (login required)

View Item