Analisis Komparatif Prediksi Kelembaban di Kota Bandung Menggunakan Metode Long Short Term Memory (LSTM) dan Gated Recurrent Unit (GRU)

Abstract

Kelembaban udara memiliki pengaruh yang signifikan pada berbagai sektor industri, terutama yang bergantung pada kondisi lingkungan, seperti tekstil dan farmasi. Kota Bandung sebagai salah satu kota industri juga sangat dipengaruhi oleh tingkat kelembaban udaranya. Oleh karena itu, peramalan kelembaban udara penting untuk mendukung pengambilan keputusan yang tepat. Dalam penelitian ini, dilakukan analisis komparatif dua metode pemodelan berbasis Recurrant Neural Network (RNN), yaitu Long Short Term Memory (LSTM) dan Gated Recurrent Unit (GRU), untuk memprediksi kelembaban udara di Kota Bandung. Data yang digunakan dalam penelitian ini adalah data kelembaban dari 1 Juli 2019 hingga 1 Juli 2024, yang diambil dari sumber data sekunder di situs web NASA. Proses pemodelan dilakukan dengan menggunakan Google Colab, dan akurasi model diukur dengan dua metrik utama, yaitu Mean Absolute Percentage Error (MAPE) dan Root Mean Squared Error (RMSE). Hasil penelitian menunjukkan bahwa model GRU menghasilkan kinerja yang lebih baik dibandingkan LSTM, dengan 1 layer dan 25 node, nilai MAPE yang diperoleh adalah 2,831% dan RMSE adalah 0,579. Sementara itu, LSTM optimal dalam penggunaan 1 layer dengan 75 node dan memiliki MAPE sebesar 2,929% dan RMSE sebesar 0,593. Dari segi efisiensi waktu, GRU juga unggul dengan waktu pengoperasian yang lebih pendek, yaitu 2525,489 detik dibandingkan dengan LSTM yang membutuhkan waktu 3410,316 detik. Oleh karena itu, GRU adalah pilihan yang lebih baik dalam memprediksi kelembaban udara, baik dari segi akurasi maupun efisiensi waktu.

Kata kunci: Kelembaban; Long Short Term Memory; Gated Recurrent Unit;