Perpustakaan Digital ITB

Peristiwa cuaca ekstrem dapat menyebabkan kerusakan dan bencana yang signifikan di daerah yang terkena dampak, sehingga penting untuk memiliki prediksi yang akurat guna mitigasi bencana yang efcktif. Pcnclitian ini mengajukan pcndekatan klasifikasi data time series berbasis motif laten untuk prediksi cuaca ekstrem sebagai salah satu upaya mitigasi. Dalam penelitian ini, dilakukan pengembangan sistem yang menggabungkan algoritma klasifikasi dan teknik penemuan motif laten untuk mengidentifikasi pola laten yang muncul berulang, untuk mewakili karakteristik utama data time series. Hasil pengcmbangan sistem menunjukkan bahwa sistcm dapat memprediksi cuaca ekstrem dengan kinerja.f-score mencapai 0.97 pada dataset AWS BMKG, dan 0.76 pada dataset Kaggle. Selain itu, model yang dikembangkan mampu memprediksi cuaca ekstrem 24 jam sebelum kejadian dengan tingkat recall mencapai 0.94 pada dataset A\VS BMKG, dan 36 jam sebelum kcjadian dengan recall mencapai 0.90 pada dataset Kagglc. Hasil recall menunjukkan bahwa sistem yang dikembangkan dalam penclitian ini dapat mendeteksi dengan akurat 90-94% kejadian cuaca ekstrem dalam rentang waktu 24-36 jam sebelum peristiwa terjadi. Mclalui evaluasi ckspcrimcn yang dilakukan, metode klasifikasi berbasis motif latcn dapat memprediksi cuaca ekstrcm dcngan memanfaatkan pola-pola latcn yang muncul berulang dalam data time series. Prediksi dilakukan dengan membentuk feature space yang menandakan kemunculan motif laten pada suatu Lime series sebelum terjadinya cuaca ekstrem. Kemunculan motif dinyatakan dalarn jarak r kemiripan antara suatu bagian series dengan suatu motif laten, atau dengan f ekuensi kemunculan suatu motif laten pada kcscluruhan series. Pcnelitian ini menyimpulkan bahwa sistcm yang dikembangkan mcnunjukkan potensi aplikasi yang luas untuk pcngembangan teknik klasifikasi data time series yang dapat dimanfaatkan untuk prediksi.