PENGEMBANGAN MODEL HIBRID RNN-ANFIS UNTUK PREDIKSI CUACA REAL-TIME PADA SISTEM STASIUN CUACA BERBASIS IOT

Abstract

Perubahan iklim dan meningkatnya kejadian cuaca ekstrem menuntut ketersediaan sistem prediksi cuaca yang akurat dan real-time. Penelitian ini mengembangkan model hibrid Recurrent Neural Network (RNN) dan Adaptive Neuro-Fuzzy Inference System (ANFIS) untuk prediksi cuaca pada sistem stasiun cuaca berbasis Internet of Things (IoT), dengan RNN berperan sebagai model prediktor utama dan ANFIS sebagai lapisan koreksi numerik terhadap hasil prediksi RNN. Data diperoleh dari stasiun cuaca berbasis IoT yang mengukur lima parameter cuaca, yaitu suhu, kelembapan udara, kecepatan angin, tekanan udara, dan intensitas cahaya, kemudian dikirim ke Firebase Realtime Database. Pengujian dilakukan selama tujuh hari berturut-turut menggunakan metrik RMSE, MAE, MAPE, dan akurasi (100−MAPE). Hasil pengujian menunjukkan rata-rata akurasi model RNN sebesar 94,53%, sedangkan model hibrid RNN-ANFIS mencapai 93,86%. Meskipun rata-rata akurasi keseluruhan model hibrid sedikit lebih rendah, koreksi ANFIS mampu memberikan perbaikan yang konsisten pada parameter dengan pola perubahan yang relatif stabil, seperti suhu, kelembapan udara, dan tekanan udara. Sebaliknya, pada parameter dengan pola perubahan yang fluktuatif, seperti kecepatan angin dan intensitas cahaya, koreksi ANFIS belum memberikan peningkatan yang konsisten dan masih menunjukkan kecenderungan underestimation pada nilai puncak. Hasil prediksi selanjutnya diimplementasikan pada dashboard berbasis web untuk penyajian informasi cuaca secara real-time. Penelitian ini menunjukkan bahwa integrasi RNN dan ANFIS berpotensi meningkatkan kualitas prediksi melalui mekanisme koreksi numerik pada parameter dengan pola temporal yang stabil, namun masih memerlukan pengembangan lebih lanjut agar mampu menangani parameter dengan variabilitas tinggi.