Oleh:
Christopher Ade Wiyanto (71210801)
TCN adalah JST yang digunakan dalam pemrosesan data berurutan. Karakteristik
utama dari TCN adalah bahwa jaringan ini dapat menerima rangkaian input dengan panjang
apa pun dan memetakkannya ke rangkaian output dengan panjang yang sama, mirip dengan
kategori RNN. Jaringan-jaringan ini melibatkan konvolusi kausal dan awalnya dikembangkan
untuk mengamati pola jarak jauh menggunakan hierarki filter konvolusi temporal. TCN yang
dipakai dalam penelitian ini memiliki formula:
Kondisi data aktual yang didapatkan oleh weather station memiliki garis yang bewarna
biru. WRF dan LSTM menggunakan garis bewarna hijau dan orange. Algoritma LSTM mampu
memprediksi mendekati data aktual di beberapa bidang tertentu seperti di TSK, RainNC, dan
RainC. Algoritma ini bukanlah algoritma yang terbaik dikarenakan model ini tidak dapat
memprediksi dalam bidang Snow, dan SMOIS yang mana model ini mengalami underfitting.
Sementarra itu WRF memiliki akurasi yang sangat baik untuk memprediksi parameter agar
mendekati kenyataan data yang real kecuali di parameter Rainc dan RainNC. Namun secara
keseluruhan model yang diusulkan memiliki tingkat akuasi yang bagus untuk memprediksi
data sesuai dengan kenyataan data di lapangan.
Kondisi yang kedua adalah kondisi perbandingan MSE. Ini adalah metrik yang
digunakan untuk mengukur sejauh mana hasil prediksi model statistik atau machine learning
mendekati nilai sebenarnya dalam konteks regresi statistik. Semakin sedikit MSE semakin
akurat model tersebut mendekati kenyataan. Besar nilai MSE yang tinggi akan mengatakan
model tersebut kurang akurat. Dari keseluruhan MSE dari LSTM memiliki ukuran yang lebih
kecil daripada WRF. Ini membuat model tersebut sangat bagus daripada WRF kecuali di bidang
snow dan smois. Di dalam tabel kita dapat melihat rata-rata dari MSE deep learning dan
WRF.rata-rata WRF adalah 22.793,84 dan rata-rata LSTM adalah 12.389,753 ini membuat
performa dari Deep Learning lebih baik dalam memprediksi data agar mendekati kenyataan
dibandingkan dengan algoritma WRF.
Sekarang adalah perbandingan menggunakan MIMO dan MISO. Mimo adalah adalah
deep learning yang hasil outputnya lebih dari satu prediksi. MISO adalah deep learning yang
hasil outputnya satu saja secara keseluruhan MIMO memiliki akurasi yang buruk dibandingkan
dengan MISO hal ini dapat dilihat dari MSE MISO yang lebih kecil daripada MIMO di semua
bidang parameter prediksi.
Untuk algoritma TCN di papper ini belum di publikasikan. Papper ini hanya
menekankan tentamg LSTM. Kemungkinan hasil dari algoritma ini ada di papper yang utama
disimpan dalam lembaga penelitian tertentu dan hanya mempublikasikan bagian LSTM saja.
Untuk bagian TCN hanya dijelaskan melalui gambar singkat tentang perbandingan semua
algoritma NWP dan Deep Learning. Dilihat dari gambar tersebut TCN memiliki akurasi yang
baik. Akan tetapi penilaian algoritma tidak berdasarkan MSE saja. Sehingga kita belum dapat
membandingkan hasil dari TCN ini dengan kondisi aktual.
Analisis, kelebihan dan kekurangan penelitian
Analisis:
Analisis hasil sudah terdapat di hasil penelitian yang diperoleh di bagian ini saya akan
merangkum garis besarnya saja.
Penelitian ini memberikan kontribusi yang signifikan untuk bidang prediksi cuaca.
Model LSTM dan TCN yang diusulkan lebih efisien daripada model WRF yang sudah ada dan
dapat diterapkan untuk aplikasi prediksi cuaca skala kecil. Model deep learning ini juga
terbukti memiliki akurasi yang jauh lebih baik daripada model WRF. Model tersebut juga
memiliki keuntungan penggunaan memori yang kecil. Keuntungan ini membuat papper riset
ini sangat menguntungkan bagi lembaga cuaca yang memiliki budget minimum untuk memiliki
komputer yang daya komputasinya terbatas untuk memberikan kualitas terbaik untuk
konsumennya tanpa harus membutuhkan budget tambahan untuk membeli computer yang
memiliki daya komputasi yang lebih tinggi.
Kelebihan:
• Hasil akurasi model deep learning ini lebih baik daripada akurasi dari model WRF
• Model ini tidak memerlukan daya komputasi yang besar
• Model LSTM yang diusulkan lebih efisien daripada model NWP yang sudah ada.
• Model yang diusulkan dapat diterapkan untuk aplikasi prediksi cuaca skala kecil.
Kekurangan:
• Model ini tidak dapat melakukan Long Forecasting sehingga model ini hanya dapat
memprediksi dalam waktu kecil
• Ketika model ini dipaksa melakukan forecasting, model ini akan memiliki MSE yang
sangat besar dibandingkan model WRF
• Penelitian ini belum membandingkan kinerja deep learning dengan model deep learning
lainnya hanya membandingkannya dengan model machine learning NWP
Penutup
Secara keseluruhan, penelitian ini merupakan penelitian yang berkualitas dan
memberikan kontribusi yang signifikan untuk bidang prediksi cuaca. Model LSTM dan TCN
yang diusulkan memiliki potensi untuk diterapkan pada berbagai aplikasi prediksi cuaca skala
kecil. Namun, penulis ingin memberikan rekomendasi yang dapat diterapkan untuk
pengembangan lebih lanjut:
• Eksperimen untuk Long Forecasting dalam penelitian ini akan memperpanjang
waktu pengambilan data dan membuat aplikasi prediksi cuaca yang berskala
besar
• Membandingkan dengan model deep learning lainnya untuk melihat performa
model LSTM dengan model lainnya seperti CNN untuk memperluas wawasan
tentang model mana yang lebih efektif dalam prediksi cuaca