KLASIFIKASI CUACA MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK

RANDHY SULISTYO BUDI

Informasi Umum

Kode

21.04.2762

Klasifikasi

621.38 2 - Signal processing, Information theory

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Signal Processing - System Analysis

Dilihat

570 kali

Informasi Lainnya

Abstraksi

Cuaca merupakan kondisi pada atmosfer yang terjadi karena berbagai faktor, antara lain radiasi matahari, suhu udara, kecepatan dan arah angin. Aktivitas kehidupan manusia sangat bergantung pada faktor cuaca terutama pada sektor pertanian, penerbangan, dan lain-lain. Memahami kondisi cuaca menjadi hal penting untuk kehidupan manusia, sehingga diperlukan sebuah sistem untuk mengklasifikasikan cuaca sesuai dengan kategorinya agar informasi yang dihasilkan dapat digunakan untuk berbagai kebutuhan. Deep Learning digunakan pada penelitian ini bertujuan agar rancangan yang diajukan dapat diimplementasi untuk kegiatan yang membutuhkan mesin untuk menentukan suatu keputusan. Metode yang diajukan yaitu menggunakan Deep Learning dengan metode Convolutional Neural Network (CNN). Convolutional Neural Network (CNN) merupakan salah satu metode Deep Learning yang berfungsi untuk mengolah data dua dimensi, yang dapat diimplementasikan menjadi data citra. Dataset citra yang digunakan terdiri dari tiga kelas citra cuaca yaitu berawan, hujan, dan cerah. Terdapat beberapa jenis arstektur pada CNN, salah satunya yaitu VGG16net. Arsitektur VGG16net digunakan pada penelitian ini karena lapisan konvolusinya yang sederhana, yaitu hanya menggunakan lapisan konvolusi 3x3. Proses klasifikasi cuaca CNN terdiri dari tahap training dan testing untuk mengetahui hasil klasifikasinya. Parameter kinerja yang dianalisis berupa akurasi, presisi, recall, dan F1-Score. Parameter optimizer, epoch dan learning rate dapat mempengaruhi hasil performa sistem berupa nilai akurasi, presisi, recall, dan F1-score. Pada penelitian ini menghasilkan performa terbaik yaitu dengan penggunaan optimizer RMSprop, resolusi citra 224x224, learning rate 0,0001, dan epoch 50 dengan nilai performa sistem untuk akurasi, presisi, recall, dan F1-score masing-masing sebesar 87%, 90%, 87%, dan 87%.