Analisis Performa Autoregressive Integrated Moving Average Model dan Deep Learning Long Short-Term Memory Model untuk Peramalan Data Cuaca

Abstrak

Cuaca merupakan suatu aspek yang tidak dapat dipisahkan dari segala aktivitas yang dilakukan manusia, sehingga informasi mengenai cuaca menjadi hal yang sangat penting. Untuk memenuhi kebutuhan akan informasi tersebut, maka dibutuhkan untuk dilakukannya peramalan. Setiap data memiliki karakteristik tersendiri, dan pemilihan metode peramalan yang tepat merupakan hal yang sangat penting. Metode Autoregressive Integrated Moving Average (ARIMA) merupakan salah satu metode statistik yang populer digunakan dalam melakukan peramalan data time-series. Long Short-Term Memory (LSTM) merupakan model algoritma modern deep learning yang paling cocok untuk peramalan data time-series. Pada penelitian ini dilakukan analisis untuk membandingkan metode tradisional ARIMA dan model deep learning yaitu LSTM dalam melakukan peramalan terhadap data cuaca di daerah kota Manado untuk melihat model peramalan terbaik yang dapat digunakan. Hasil dari penelitian ini menunjukkan bahwa dari segi akurasi dari 18 pengujian yang dilakukan, model peramalan LSTM lebih unggul dari model ARIMA yang diukur dengan Mean Absolute Error (MAE) dan Root Mean Squared Error (RMSE). Dari segi waktu komputasi dalam pembuatan model peramalan untuk 6 atribut data cuaca, model LSTM lebih cepat dibandingkan model ARIMA.