Perbandingan Performa Model Long Short-Term Memory dan Bidirectional untuk Prediksi Kabut

Abstrak

Kabut merupakan fenomena cuaca yang dapat menurunkan jarak pandang secara signifikan dan berdampak pada keselamatan transportasi serta aktivitas masyarakat. Wilayah Citeko, Bogor, yang berada di dataran tinggi, memiliki frekuensi kejadian kabut yang cukup tinggi, terutama pada pagi hari dan musim hujan. Penelitian ini bertujuan untuk membangun dan membandingkan performa model prediksi kabut menggunakan algoritma Long Short-Term Memory (LSTM) dan Bidirectional LSTM (BiLSTM) berdasarkan data cuaca historis selama periode 2013–2023. Data yang digunakan berasal dari Stasiun Meteorologi Citeko dan mencakup parameter cuaca seperti suhu bola kering, suhu bola basah, titik embun, jarak pandang, kelembapan relatif, tutupan awan, arah dan kecepatan angin, serta kondisi cuaca per jam. Data mengalami beberapa tahap pra-pemrosesan, termasuk interpolasi nilai hilang, klasifikasi kabut berdasarkan parameter cuaca, normalisasi, dan pembagian data menjadi data latih dan uji (80:20). Model LSTM dan BiLSTM kemudian dilatih menggunakan pendekatan deep learning, baik dengan maupun tanpa early stopping. Hasil menunjukkan BiLSTM dengan early stopping mencapai kinerja terbaik: akurasi 99,93%, precision 96,53%, recall 98,81%, dan *F1-score* 97,66%, dengan hanya 9 false positive dan 3 false negative. Penelitian ini memberikan kontribusi dalam pengembangan sistem prediksi kabut berbasis kecerdasan buatan.