BAB I

PENDAHULUAN

1.1 Latar Belakang

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

sering terjadi hujan lokal untuk wilayah-wilayah tertentu.

Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) merupakan lembaga

pemerintahan non departemen yang bertugas untuk melakukan prediksi cuaca di

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.

Mengingat semakin pentingkan prakiraan cuaca yang akurat di wilayah jayapura

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

1.2 Rumusan masalah

Rumusan masalah dalam penelitian ini akan di uraikan dalam pertanyaan yang

ada di bawah ini :

1. Bagaimana membangun machine learning untuk melakukan prakiraan cuaca

yang baik dengan kondisi cuaca di wilayah kota Jayapura?

2. Bagaimana menetukan algoritma yang terbaik untuk machine learning untuk

memprediksi cuaca di wilayah kota jayapura yaitu polynormal regretion, dan

linear regretion

3. Factor-faktor apa yang paling mempengaruhi akurasi dari sebuah machine

learning untuk memprediksi cuaca.

1.3 Tujuan dan Manfaat

tujuan dari penelitian ini adalah :

1. Membangun machine learning untuk melakukan prakiraan cuaca di wilayah

kota jayapura

2. Mendapatkan algoritma terbaik untuk machine learning prakiraan cuaca

untuk wilayah kota jayapura antara polynormal regretion, dan linear regretion

3. Mendapatkan faktor-faktor yang mempengaruhi hasil akurasi pada sebuah

machine learning untuk prakiraan cuaca

Manfaat dari penelitian ini adalah :

1. Untuk meningkatkan akurasi dari machine learning untuk prediksi cuaca

dengan memilih algoritma yang terbaik untuk wilayah kota Jayapura

2. Mengetahui faktor-faktor yang mempengaruhi hasil akurasi pada sebuah

machine learning untuk pediksi cuaca.

1.4 Ruang Lingkup

Ruang lingkup dalam penelitian ini adalah :

1. Penelitian mengambil lokasi di balai besar BMKG wilayah V kota Jayapura

2. Data sensor di ambil di stasion BMKG kota Jayapura dengan komposisi 80%

untuk data learning, 20% data testing

3. Membangun prototype aplikasi machine learning untuk prediksi cuaca

dengan menggunakan algoritma polynormal regretion, dan linear regretion

 BAB II

LANDASAN TEORI

2.1 Tinjauan pustaka

Beberapa penelitian yang dilakukan untuk memprediksi cuaca hujan telah

dilakukan menggunakan machine learning dengan memanfaatkan beberapa algoritma

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

mengahsilkan system prakiraan cuaca panas yang akurat

Selain itu (Arif Handhoko, Muhammad Ihsan Zul, 2015) melakukan penelitian

untuk memprediksi cuaca dengan memanfaatkan data dari citra awan dengan

menggunakan IP Camera kemudian di kalsifikasikan dengan menggunakan algoritma

k-NN dengan ttingkat akurasi mencapai 84,21 %.

Kemudian (Holmstrom, Liu, & Vo, 2016) makalah ini kami mengeksplorasi

aplikasi mereka untuk peramalan cuaca untuk berpotensi menghasilkan perkiraan

cuaca yang lebih akurat untuk periode waktu yang besar dengan menggunakan linear

regression model dan variation on a functional regression model

Selanjutnya (Dhawangkhara, 2017) makalah ini melakukan kalsifikasi curah hujan

di wilayah kota Surabaya dengan membandingkan metode Classification and

Regression Trees (CART) dan Random Forest (RF) pada data cuaca selama 17 tahun

(2000-2016) berasal dari stasiun cuaca Juanda, Surabaya melalui website NCDC

(National Climate Data Center) yang terdiri dari data suhu udara, titik embun, keepatan

angin, tekanan udara, visibilitas dan curah hujan.

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

metodologi pembelajaran mesin baru yang memungkinkan variabel melingkar untuk

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

sebelumnya dengan menggunakan algortima circular regression trees

Kemudian (Hoolohan, Tomlin, & Cockerill, 2018) studi ini menyajikan model

prediksi cuaca numerik hybrid (NWP) dan model Gaussian process regression (GPR)

untuk prediksi kecepatan angin dekat permukaan hingga 72 jam ke depan

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

atmosfer yang dihitung menggunakan metode Pasquill-Gifford-Turner berdasarkan

pengamatan pada saat prediksi. Metode ini divalidasi menggunakan data dari 15 situs

UK MIDAS (Met Office Integrated Data Archive System) dengan pelatihan 9 bulan

dan periode pengujian 3 bulan