Prediksi Temperatur Maksimum di Kota Tanjungpinang Menggunakan Model CNN-LSTM

Abstract

The prediction of maximum temperature is important for supporting decision process related to public activities and reducing the consequences of climate change. The goal of this study is to analyze the performance of the CNN-LSTM hybrid method in forecasting maximum temperature in Tanjungpinang City by utilizing average humidity and rainfall as input variables. Historical weather data was obtained through the BMKG website, covering the period from January 1, 2022, to November 30, 2024, and was used as the research dataset. The CNN-LSTM model was developed by optimizing the advantages of CNN in recognizing spatial patterns and the capability of LSTM in capturing temporal patterns. The model was trained using an optimal configuration consisting of 128 CNN filters, a kernel size of 7, 200 LSTM units, a batch size of 16, and 120 epochs. Performance evaluation was conducted using two key metrics: Root Mean Squared Error (RMSE) of 1.65 and Mean Absolute Percentage Error (MAPE) of 4.19%. The findings indicate that the model can be used to predict maximum temperature based on available historical weather data. Additionally, the model has been implemented in a web-based platform that allows users to input historical data and select prediction periods ranging from 1, 3, 7, to 10 days ahead. The prediction results are presented in tables and graphical visualizations to facilitate users in understanding and evaluating the generated information.Prediksi temperatur maksimum memiliki peran penting dalam mendukung pengambilan keputusan terkait aktivitas masyarakat dan mitigasi dampak perubahan iklim. Penelitian ini bertujuan untuk menilai kinerja metode kombinasi CNN-LSTM untuk peramalan temperatur maksimum di Kota Tanjungpinang dengan menggunakan kelembapan rata-rata dan curah hujan sebagai variabel masukan. Data historis cuaca diperoleh melalui website BMKG, dengan periode 1 Januari 2022 hingga 30 November 2024 digunakan sebagai dataset penelitian. Model CNN-LSTM dikembangkan dengan mengoptimalkan keunggulan CNN dalam mengenali pola spasial serta kemampuan LSTM dalam menangkap pola temporal. Model dilatih menggunakan konfigurasi optiomal yang terdiri dari 128 filter CNN, ukuran kernel 7, 200 unit LSTM, batch size 16, dan 120 epoch. Evauasi kinerja dilakukan menggunakan dua metrik utama, yaitu Root Mean Squared Error (RMSE) sebesar 1,65 dan Mean Absolute Percentage Error (MAPE) sebesar 4,19%. Hasil penelitian menunjukkan bahwa model ini dapat digunakan untuk melakukan prediksi temperatur maksimum berdasarkan data historis cuaca yang tersedia. Selain itu, model telah diimplementasikan dalam sebuah platform berbasis web yang memungkinkan pengguna untuk memasukkan data historis serta memilih periode prediksi dalam rentang 1, 3, 7, hingga 10 hari ke depan. Hasil prediksi disajikan dalam bentuk tabel dan visualisasi grafik guna memudahkan pengguna dalam memahami serta mengevaluasi informasi yang dihasilkan.