PENDAHULUAN
Wilayah indonesia dilalui oleh garis khatulistiwa memiliki dua musim utama yaitu
musim hujan dan musim kemarau namun di wilayah papua terutama di kota jayapura
yang merupakan derah yang dilewati oleh garis khatulistiwa memiliki sedikit
perbedaan dua musim tersebut tidak dapat di prediksi dikarenakan pada saat musim
kemarau di wilayah Indonesia dimana intensitas hujan rendah khusus untuk wilayah
papua terutama kota Jayapura masih mengalami hujan dan begitu pun sebaliknya.
Dalam keseharian masyarakat jayapura saat ini kondisi cuaca harian menjadi sangat
penting yang menjadi salah satu alasan untuk beraktifitas di luar ruangan seperti pergi
ke kantor, bertamasya bersama keluarga, dan segala aktifitas di luar ruangan lainnya.
Wilayah provinsi papua terutama di kota Jayapura memiliki aktivitas cuaca yang sangat
susah di prediksi, dimana terjadi perbedaan cuaca antar wilayah di kota jayapura, dan
Indonesia, untuk wilayah kota jayapura sendiri masuk dalam naungan Balai Besar
BMKG wilayah V yang berpusat di kota jayapura, dimana pada saat ini telah
melakukan prakiraan cuaca namun masih belum begitu akurat dimana hasil
pengamatan masih masih kurang spesifik dimana data hasil pengamatan hanya ada
untuk setiap kabupaten dan kota dimana hasil untuk kota jayapura sendiri masih belum
spesifik per kecamatan dan juga memanfaatkan hasil pengamatan dari beberapa
negara.
perlu di kembangan sebuah machine learning untuk memprediksi cuaca akan terjadi
hujan dengan akurasi yang baik agar setiap orang jadi lebih mudah dalam menentukan
apakah akan beraktivitas di luar ruangan atau tidak. Penentuan algoritma machine
learning yang paling baik untuk melakukan prakiraan cuaca di wilayah kota Jayapura
Rumusan masalah dalam penelitian ini akan di uraikan dalam pertanyaan yang
linear regretion
kota jayapura
untuk wilayah kota jayapura antara polynormal regretion, dan linear regretion
2. Data sensor di ambil di stasion BMKG kota Jayapura dengan komposisi 80%
LANDASAN TEORI
machine learning
Penelitian (Vaščák, Jakša, Koščák, & Adamčák, 2015) membangun sebuah system
prediksi cuaca (WPS) untuk kebutuhan pabrik pemanas dimana algoritma yang di
gunakan adalah multilayer perceptrons (MLP) dengan kombinasi logika fuzzy untuk
Selain itu (Arif Handhoko, Muhammad Ihsan Zul, 2015) melakukan penelitian
untuk memprediksi cuaca dengan memanfaatkan data dari citra awan dengan
Kemudian (Holmstrom, Liu, & Vo, 2016) makalah ini kami mengeksplorasi
cuaca yang lebih akurat untuk periode waktu yang besar dengan menggunakan linear
(2000-2016) berasal dari stasiun cuaca Juanda, Surabaya melalui website NCDC
(National Climate Data Center) yang terdiri dari data suhu udara, titik embun, keepatan
Kemudian (Rozas Larraondo, Inza, & Lozano, 2018) Makalah ini menjelaskan
serangkaian alat dan model untuk meningkatkan keakuratan prakiraan cuaca bandara
yang dihasilkan oleh produk prediksi cuaca numerik (NWP), dengan belajar dari
hubungan antara data yang sebelumnya dimodelkan dan diamati. Ini didasarkan pada
secara alami dimasukkan ke dalam pohon regresi, menghasilkan hasil yang lebih akurat
daripada metodologi pohon regresi linear dan melingkar sebelumnya. Perangkat lunak
ini telah tersedia untuk umum sebagai paket Python, yang berisi semua alat yang
diperlukan untuk mengekstraksi NWP historis dan mengamati data cuaca dan untuk
menghasilkan prakiraan untuk variabel cuaca yang berbeda untuk setiap bandara di
dunia. Beberapa contoh disajikan di mana hasil dari model yang diusulkan secara
signifikan meningkatkan yang dihasilkan oleh NWP dan juga oleh model pohon regresi
Kemudian (Hoolohan, Tomlin, & Cockerill, 2018) studi ini menyajikan model
prediksi cuaca numerik hybrid (NWP) dan model Gaussian process regression (GPR)
menggunakan data yang dipartisi pada kelas stabilitas atmosfer untuk meningkatkan
kinerja model. Data kecepatan angin NWP dari kantor meteorologi Inggris dikoreksi
menggunakan model GPR, di mana data dibagi lagi menggunakan kelas stabilitas
pengamatan pada saat prediksi. Metode ini divalidasi menggunakan data dari 15 situs
UK MIDAS (Met Office Integrated Data Archive System) dengan pelatihan 9 bulan