Pengenalan Cuaca Indonesia Berdasarkan Citra Langit Menggunakan CNN Arsitektur MobileNetV2
Article Sidebar
Read Counter : 11
Download : 3
Main Article Content
Abstract
Negara Indonesia memiliki cuaca yang bervariasi dan memiliki dampak yang akan berpengaruh pada kehidupan sehari-hari. Pengenalan cuaca dengan memanfaatkan citra langit merupakan salah satu solusi yang efektif untuk mendapatkan informasi cuaca berdasarkan dengan kondisi langit. Penelitian ini akan menggunakan salah satu arsitektur CNN yaitu MobileNetV2 untuk melakukan klasifikasi ke 4 kategori cuaca yaitu cerah, berawan, mendung, dan hujan, disertai dengan prediksi data numerik berupa suhu, kelembaban udara, kecepatan angin, sinar UV, dan tekanan udara. Dataset yang digunakan akan berupa citra langit dan data numerik yang diperoleh dengan pemantauan cuaca selama kurang lebih 2 bulan. Hasil eksperimen menunjukkan bahwa model yang dirancang dapat memperoleh akurasi validasi sebesar 78%, dengan nilai MSE untuk data numerik 0.6478, dan total loss validasi 1.547. Hasil ini menunjukkan bahwa model yang dirancang memiliki potensi untuk dapat melakukan pengenalan cuaca secara efektif di Indonesia dengan meningkatkan ukuran dataset dan optimasi lebih lanjut.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
This work is licensed under Creative Commons Attribution-ShareAlike 4.0 International License.
References
[1] Weather, Climate & Seasons, https://www.indonesia.travel/gb/en/general-information/climate.html, diakses tanggal 20 Agustus 2024.
[2] Guide, A., 2007, Understanding Weather and Climate
[3] Sharma, N., Jain, V., dan Mishra, A., 2018, An Analysis of Convolutional Neural Networks for Image Classification, Procedia Computer Science, Vol. 132, Hal. 377-384.
[4] Vallabhaneni, R., Vaddadi, S. A., Pillai, S. E. V. S., Addula, S. R., dan Ananthan, B., 2024, MobileNet Based Secured Compliance Through Open Web Application Security Projects in Cloud System, Indonesian Journal of Electrical Engineering and Computer Science, Vol. 35, No. 3, Hal. 1661-1669.
[5] Darula, S., dan Kittler, R., 2015, Classification of Daylight Conditions in Cloud Cover Situations, Light & Engineering, Vol. 23, No. 1, Hal. 4-14.
[6] Rutledge, K., McDaniel, M., Teng, S., Hall, H., Ramroop, T., Sprout, E., Hunt, J., Boudreau, D., dan Costa, H., 2023, Rain, https://education.nationalgeographic.org/resource/rain/, diakses tanggal 20 Agustus 2024.
[7] Indolia, S., Goswami, A. K., Mishra, S. P., dan Asopa, P., 2018, Conceptual Understanding of Convolutional Neural Network—A Deep Learning Approach, Procedia Computer Science, Vol. 132, Hal. 679-688.
[8] Arfan, T. H., Hayaty, M., dan Hadinegoro, A., 2021, Classification of Brain Tumours Types Based on MRI Images Using MobileNet, Proceeding of 2nd International Conference on Innovative and Creative Information Technology (ICITech), Hal. 69-73.
[9] Hastomo, W., dkk., 2021, Convolution Neural Network Arsitektur Mobilenet-V2 Untuk Mendeteksi Tumor Otak, Prosiding Seminar SeNTIK, Vol. 5, No. 1, Hal. 17–21.
[10] Li, Z., Liu, F., Yang, W., Peng, S., dan Zhou, J., 2021, A Survey of Convolutional Neural Networks: Analysis, Applications, and Prospects, IEEE Transactions on Neural Networks and Learning Systems, Vol. 33, No. 12, Hal. 6999-7019.