Peramalan suhu udara di kabupaten Malang menggunakan long Short-Term Memory

Indonesia:
Negara Indonesia yang beriklim tropis sering mengalami perubahan cuaca yang tidak menentu, salah satunya adalah suhu udara yang fluktuatif. Perubahan suhu ini berdampak signifikan pada berbagai sektor, terutama pertanian di Kabupaten Malang yang merupakan salah satu lumbung pangan. Untuk mengantisipasi dampak tersebut, diperlukan peramalan suhu udara yang akurat. Penelitian ini bertujuan untuk meramalkan suhu udara di Kabupaten Malang menggunakan metode Long Short-Term Memory (LSTM), salah satu algoritma deep learning yang unggul dalam analisis data deret waktu. Data yang digunakan adalah data suhu udara harian (minimum, maksimum, dan rata-rata) dari BMKG periode 1 Januari 2021 hingga 31 Desember 2024. Model LSTM dibangun melalui beberapa tahapan, yaitu preprocessing data, pelatihan model dengan berbagai parameter, dan evaluasi menggunakan Root Mean Square Error (RMSE) dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa arsitektur model LSTM terbaik diperoleh dengan konfigurasi empat layer, 50 hidden neuron, batch size 16, dan 200 epoch. Model ini menghasilkan tingkat akurasi yang sangat dengan RMSE sebesar 1.04 untuk suhu minimum, 1.00 untuk suhu maksimum, dan 0.69 untuk suhu rata-rata. Adapun nilai MAPE untuk suhu minimum, maksimum, dan rata-rata secara berturut-turut sebesar 4.14%, 2.66%, dan 2.16%. Hasil peramalan untuk 59 hari ke depan menunjukkan adanya tren kenaikan suhu secara bertahap, yang dapat menjadi informasi penting bagi pemerintah dan masyarakat dalam mengambil langkah antisipatif.

English:
Indonesia, which has a tropical climate, often experiences erratic weather changes, one of which is fluctuating air temperatures. These temperature changes have a significant impact on various sectors, especially agriculture in Malang Regency, which is one of the food barns. To anticipate this impact, accurate air temperature forecasting is needed. This research aims to forecast the air temperature in Malang Regency using the Long Short-Term Memory (LSTM) method, one of the deep learning algorithms that excel in analyzing time series data. The data used is daily air temperature data (minimum, maximum, and average) from BMKG for the period January 1, 2021 to December 31, 2024. The LSTM model is built through several stages, namely data preprocessing, model training with various parameters, and evaluation using Root Mean Square Error (RMSE) and Mean Absolute Percentage Error (MAPE). The results showed that the best LSTM model architecture was obtained with a configuration of four layers, 50 hidden neuron, batch size 16, and 200 epochs. This model produces a very high level of accuracy with an RMSE of 1.04 for minimum temperature, 1.00 for maximum temperature, and 0.69 for average temperature. The MAPE values for minimum, maximum, and average temperatures are 4.14%, 2.66%, and 2.16%, respectively. The forecasting results for the next 59 days show a gradual upward trend in temperature, which can be important information for the government and the public.

Arabic:
غالبا ما تشهد إندونيسيا ، التي تتمتع بمناخ استوائي ، تغيرات مناخية غير منتظمة ، أحدها تقلب درجة حرارة الهواء. هذا التغير في درجة الحرارة له تأثير كبير على مختلف القطاعات ، وخاصة الزراعة في مالانج ريجنسي التي تعد واحدة من حظائر الطعام. لتوقع هذه التأثيرات ، هناك حاجة إلى تنبؤ دقيق بدرجة حرارة الهواء. هدفت هذه الدراسة إلى التنبؤ بدرجة حرارة الهواء في مالانج ريجنسي باستخدام طريقة الذاكرة الطويلة قصيرة المدى (LSTM) ، وهي من واحدي خوارزميات التعلم العميق الرائدة في تحليل بيانات السلاسل الزمنية. البيانات المستخدمة هي بيانات درجة حرارة الهواء اليومية (الحد الأدنى والحد الأقصى والمتوسط) من BMKG للفترة من ١ يناير ٢٠٢١ إلى ٣١ ديسمبر ٢٠٢٤. تم بناء نموذج LSTM من خلال عدة مراحل ، وهي المعالجة المسبقة للبيانات ، وتدريب النموذج بمعلمات مختلفة ، والتقييم باستخدام جذر متوسط الخطأ التربيعي (RMSE) ومتوسط النسبة المئوية المطلقة للخطأ (MAPE). أظهرت النتائج أنه تم الحصول على أفضل بنية نموذج LSTM بتكوين مكون من ٤ طبقات و ٥٠ خلية عصبية وحجم الدفعة ١٦ و ٢٠٠ حقبة. ينتج هذا النموذج مستوى عال جدا من الدقة مع RMSE يبلغ ١٫٠٤ لدرجة الحرارة الدنيا ، و ١٫٠٠ لدرجة الحرارة القصوى ، و ٠٫٦٩ لمتوسط درجة الحرارة. كانت قيم MAPE لدرجات الحرارة الدنيا والقصوى والمتوسطة ٤٫١٤٪ و ٢٫٦٦٪ و ٢٫١٦٪ على التوالي. ظهرت نتائج التوقعات للأيام ال ٥٩ القادمة اتجاها تدريجيا لزيادة درجة الحرارة ، والتي يمكن أن تكون معلومات مهمة للحكومة والجمهور في اتخاذ خطوات استباقي.