Peramalan Kelembapan Relatif di Kabupaten Bogor Menggunakan Model CNN-LSTM
Abstract
Kelembapan udara merupakan salah satu parameter yang berpengaruh terhadap lingkungan dan aktivitas manusia. Prediksi kelembapan udara secara akurat dapat membantu dalam berbagai keperluan, termasuk pengambilan keputusan berbasis cuaca. Namun, model tunggal memiliki keterbatasan dalam menangkap pola non linier dan ketergantungan jangka panjang pada data deret waktu, sehingga sulit memprediksi data dengan baik, terutama data yang bersifat kompleks seperti cuaca. Oleh karena itu, diperlukan model dengan pendekatan hibrida. Pemodelan hibrida merupakan gabungan dari dua atau lebih metode pembelajaran. Penelitian ini mengusulkan pendekatan hibrida dengan menggabungkan lapisan Convolutional Neural Network (CNN) dan Long Short-Term Memory (LSTM) untuk melakukan prediksi kelembapan udara yang lebih akurat dan efektif dibandingkan dengan model tunggal. CNN digunakan untuk mengekstraksi representasi temporal dari data cuaca historis dalam bentuk urutan waktu, sedangkan LSTM berperan dalam mengingat dependensi jangka panjang. Prediksi dilakukan dengan pengumpulan data cuaca, prapemrosesan data, transformasi fitur (termasuk transformasi fitur siklik), perancangan arsitektur CNN-LSTM, pelatihan model, serta evaluasi menggunakan metrik evaluasi seperti mean absolute error (MAE), mean square error (MSE), root mean square error (RMSE), dan coefficient of determination (R²). Hasil yang diperoleh menunjukkan bahwa model hibrida CNN-LSTM mampu meningkatkan akurasi prediksi kelembapan udara dibandingkan model Tunggal.
Kata kunci— cnn, deret waktu, lstm, prediksi
References
M. Muhaimin, “Urgensi Kenyamanan Termal dalam Perspektif Pembelajaran,” Geodika: Jurnal Kajian Ilmu dan Pendidikan Geografi, vol. 7, no. 1,, pp. 23-32, 2023, doi: 10.29408/geodika.v7i1.6451
Suwarna, I. P., Pramudita, F., Yulianto, R., Tamala, L. D., Syamila, H., Nurfadillah, S., Ramadhan, P. H. 2025. Analisis Kelembapan udara dan tingkat kenyamanan lingkungan indekos di area sekitar kampus UIN Jakarta. JKPL. 6(1).
Alizkan, Ubed, “Analisis Korelasi Kelembapan Udara terhadap Epidemi Demam Berdarah yang Terjadi di Kabupaten dan Kota Serang,” Gravity, vol. 3, no. 1, 2017, doi:10.30870/gravity.v3i1.2409.
M. Mushiha, “Implementasi CNN-BiLSTM untuk prediksi harga saham ban syariah di Indonesia,” Jambura Joural of Mathematic, vol. 6, no. 2, Agustus 2024, doi: 10.37905/jjom.v6i2.26509.
M. S. Divyashree, V. S. Sparshakala, S. Shridevi, and B. V. Bhavya, “Deep learning: Hybrid CNN–LSTM for multivariate weather prediction,” International Advanced Research Journal in Science, Engineering and Technology, vol. 12, no. 10, Oct. 2025, doi: 10.17148/IARJSET.2025.121022.
J. Brownlee, Deep learning for Time Series Forecasting: Predict the Future with MLPs, CNNs and LSTMs in Python. Machine Learning Mastery, 2018.
Sukatmo, H. A. Nugroho, B. H. Rusanto, and S. Soekirno, “Performance comparison of 1D-CNN and LSTM deep learning models for time series-based electric power prediction,” ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, vol. 13, no. 1, pp. 44–56, Jan. 2025, doi: 10.26760/elkomika.v13i1.44.
Hyndman, R.J., C Athanasopoulos, G. (2018). Forecasting: Principles and Practice. OTexts
Karno,A. S. B., Hastomo, W., Sutarno. 2020. OPTIMALISASI DATA TERBATAS PREDIKSI JANGKA PANJANG COVID-19 DENGAN KOMBINASI LSTM DAN GRU. SeNTIK. 4(1)
Ali Khumaidi, R. Raafiudin, and I. P. Solihin, “Pengujian algoritma long short term memory untuk prediksi kualitas udara dan suhu Kota Bandung,” Jurnal Telematika, vol. 15, no. 1, Institut Teknologi Harapan Bangsa, Bandung.
