Penerapan Metode Deep Learning Menggunakan Algoritma CNN Dengan Arsitektur VGG Net Untuk Pengenalan Cuaca

Abstract

Dengan berkembangnya teknologi, kini komputer dapat memberikan informasi tidak hanya dalam bentuk teks saja, melainkan juga bentuk image, suara, dan video. Perubahan cuaca ekstrim sering terjadi di Indonesia dapat mengganggu aktivitas sehari-hari. Sehingga menarik minat masyarakat akan kebutuhan informasi mengenai cuaca dan iklim. Oleh karena itu, perlu adanya perkiraan cuaca yang tepat. Tetapi, hingga kini pembuatan proses perkiraan cuaca dan iklim masih terbatas dari masukan data pemodelan. Ternyata didalam pemodelan tersebut masih terdapat kekurangan seperti penggunaan jumlah parameter, asumsi-asumsi matematis dan formulasi persamaan yang sangat rumit.

Dalam mengatasi hal tersebut, maka perlu mengembangkan kemampuan menganalisa dan menarik kesimpulan pada komputer. Kemampuan tersebut dikenal dengan deep learning yang memiliki cara kerja mirip jaringan saraf tiruan. Yang membedakan kalau jaringan syaraf tiruan hanya mengandalkan 1 layer, sedangkan deep learning lebih dari 1 layer semakin tinggi layer yang digunakan, learning komputer juga semakin lama.

Penelitian ini dilakukan dengan memakai algoritma CNN dari deep learning yang dirancang untuk mengolah data 2 dimensi, sehingga telah sukses mengidentifikasi citra cuaca dengan nilai tertinggi pada akurasi data latih sebesar 94,16% dan akurasi data testing sebesar 65,00% dengan menggunakan epoch sebanyak 150 epoch. Data citra yang digunakan masing-masing 90 untuk data latih dan 10 untuk data testing. Dapat disimpulkan bahwa training yang besar mampu mempengaruhi algoritma CNN, semakin besar data training maka semakin tinggi pula ketepatan yang didapatkan berdasarkan penelitian-penelitian terdahulu. Jumlah epoch yang dipakai dalam arsitektur CNN mempengaruhi hasil ketepatan, semakin banyak epoch maka semakin tinggi juga ketepatan yang didapatkan.