Melola Discovery

← Melola Discovery

Akses terbuka Jurnal

The Application of the Long-Short Term Memory (LSTM) Forecasting Method on the Impact of Tropical Cyclones in Indonesia

Penerapan Metode Peramalan Long Short Term Memory (LSTM) pada Faktor-Faktor Penyebab Badai di Indonesia

Jurnal Matematika, Statistika dan Komputasi · Vol. 20 No. 1 (2023) · hlm. 294–300

DOI
10.20956/j.v20i1.27151
ISSN
2614-8811, 1858-1382
Terbit
2023-09-06
Penerbit
Department of Mathematics, Hasanuddin University
Bahasa
en
Lisensi
creativecommons.org/licenses/by/4.0

Abstrak

Inggris

Effective disaster mitigation strategies are paramount in the realm of risk management concerning natural calamities, with the primary objective of mitigating potential devastation. A pragmatic and impactful method involves predicting the contributory aspects of such disasters, encompassing variables such as torrential rainfall and formidable wind velocities that tropical cyclones bring. In this study, a comparative analysis of forecasting methodologies is undertaken, precisely the Long Short-Term Memory (LSTM) technique and the Holt Winter approach, both directed toward gauging the impact of tropical cyclones. This investigation focuses on two critical factors: the forecast of precipitation intensity and the estimation of maximum wind speed. The outcomes underscore the superior predictive capabilities of the LSTM method, unequivocally revealing its aptitude for predicting rainfall and wind speed. Impressively, the LSTM method yields remarkable precision levels of 97.433% for rainfall and an even higher accuracy of 99.018% for maximum wind speed forecasting. In essence, this study highlights LSTM's efficacy in disaster prediction with substantial accuracy.

Bahasa Indonesia

Strategi mitigasi bencana merupakan salah satu contoh manajemen risiko untuk mengantisipasi terjadinya bencana alam yang bertujuan untuk meminimalkan risiko murni yang dapat terjadi. Salah satu upaya mitigasi bencana sederhana yang dapat dilakukan adalah dengan meramalkan faktor-faktor penyebab bencana alam. Misalnya, curah hujan dengan intensitas tinggi dan kecepatan angin yang tinggi diketahui menjadi faktor penyebab terjadinya badai (angin. puting beliung). Pada penelitian ini dilakukan perbandingan dua metode peramalan terhadap faktor penyebab badai yaitu curah hujan dan kecepatan angin maksimum, dengan menggunakan metode Long Short Term Memory (LSTM) dan metode peramalan sederhana yaitu metode Holt Winter. Hasil penelitian menunjukkan bahwa metode Long Short Term Memory dapat memprediksi curah hujan dan kecepatan angin maksimum dengan baik, dengan nilai akurasi masing-masing sebesar 97,433% dan 99,018%.

Kata kunci

Jaringan kolaborasi para penulis

10 penulis · 22 tautan kepenulisan bersama

Arahkan kursor atau ketuk sebuah nama untuk menyorot rekan penulisnya. Klik dua kali untuk membuka halaman penulis.

  • Institut Teknologi Sepuluh Nopember
  • Afiliasi tidak diketahui
  • Organisasi berbeda
  • Organisasi sama
  • Afiliasi tidak diketahui
  • Garis lebih tebal = lebih banyak artikel bersama · lingkaran lebih besar = lebih banyak artikel
Tampilkan sebagai tabel
Rekan penulisOrganisasiArtikel bersama
Pratnya Paramitha OktavianaAfiliasi tidak diketahui1
Galuh Oktavia SiswonoAfiliasi tidak diketahui1
Nyoman Gede Trisna SanjayaAfiliasi tidak diketahui1
Pratnya Paramitha OktavianaInstitut Teknologi Sepuluh Nopember1
Nyoman Gede Trisna SanjayaInstitut Teknologi Sepuluh Nopember1
Prilyandari Dina SaputriInstitut Teknologi Sepuluh Nopember1
Annisa Salsabila PratiwiInstitut Teknologi Sepuluh Nopember1

Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.

Sumber metadata: OAI-PMH (metadata jurnal) https://journal.unhas.ac.id/index.php/jmsk/oai, pertama di-harvest 5 Nov 2026, terakhir terlihat 15 Nov 2026.
Metadata asli (oai_dc)
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="en">The Application of the Long-Short Term Memory (LSTM) Forecasting Method on the Impact of Tropical Cyclones in Indonesia</dc:title>
	<dc:title xml:lang="id">Penerapan Metode Peramalan Long Short Term Memory (LSTM) pada Faktor-Faktor Penyebab Badai di Indonesia</dc:title>
	<dc:creator xml:lang="en">Siswono, Galuh Oktavia</dc:creator>
	<dc:creator xml:lang="en">Lina, Yeni April </dc:creator>
	<dc:creator xml:lang="en">Pricila, Verencia </dc:creator>
	<dc:subject xml:lang="en">isk management</dc:subject>
	<dc:subject xml:lang="en">forecasting</dc:subject>
	<dc:subject xml:lang="en">rainfall</dc:subject>
	<dc:subject xml:lang="en">wind speed</dc:subject>
	<dc:subject xml:lang="en">LSTM</dc:subject>
	<dc:description xml:lang="en">Effective disaster mitigation strategies are paramount in the realm of risk management concerning natural calamities, with the primary objective of mitigating potential devastation. A pragmatic and impactful method involves predicting the contributory aspects of such disasters, encompassing variables such as torrential rainfall and formidable wind velocities that tropical cyclones bring. In this study, a comparative analysis of forecasting methodologies is undertaken, precisely the Long Short-Term Memory (LSTM) technique and the Holt Winter approach, both directed toward gauging the impact of tropical cyclones. This investigation focuses on two critical factors: the forecast of precipitation intensity and the estimation of maximum wind speed. The outcomes underscore the superior predictive capabilities of the LSTM method, unequivocally revealing its aptitude for predicting rainfall and wind speed. Impressively, the LSTM method yields remarkable precision levels of 97.433% for rainfall and an even higher accuracy of 99.018% for maximum wind speed forecasting. In essence, this study highlights LSTM's efficacy in disaster prediction with substantial accuracy.</dc:description>
	<dc:description xml:lang="id">Strategi mitigasi bencana merupakan salah satu contoh manajemen risiko untuk mengantisipasi terjadinya bencana alam yang bertujuan untuk meminimalkan risiko murni yang dapat terjadi. Salah satu upaya mitigasi bencana sederhana yang dapat dilakukan adalah dengan meramalkan faktor-faktor penyebab bencana alam. Misalnya, curah hujan dengan intensitas tinggi dan kecepatan angin yang tinggi diketahui menjadi faktor penyebab terjadinya badai (angin. puting beliung). Pada penelitian ini dilakukan perbandingan dua metode peramalan terhadap faktor penyebab badai yaitu curah hujan dan kecepatan angin maksimum, dengan menggunakan metode Long Short Term Memory (LSTM) dan metode peramalan sederhana yaitu metode Holt Winter. Hasil penelitian menunjukkan bahwa metode Long Short Term Memory dapat memprediksi curah hujan dan kecepatan angin maksimum dengan baik, dengan nilai akurasi masing-masing sebesar 97,433% dan 99,018%.</dc:description>
	<dc:publisher xml:lang="en">Department of Mathematics, Hasanuddin University</dc:publisher>
	<dc:date>2023-09-06</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://journal.unhas.ac.id/index.php/jmsk/article/view/27151</dc:identifier>
	<dc:identifier>10.20956/j.v20i1.27151</dc:identifier>
	<dc:source xml:lang="en">Jurnal Matematika, Statistika dan Komputasi; Vol. 20 No. 1 (2023): SEPTEMBER, 2023; 294- 300</dc:source>
	<dc:source>2614-8811</dc:source>
	<dc:source>1858-1382</dc:source>
	<dc:language>en</dc:language>
	<dc:relation>https://journal.unhas.ac.id/index.php/jmsk/article/view/27151/10285</dc:relation>
	<dc:relation>10.20956/j.v20i1.27151.g10285</dc:relation>
	<dc:rights xml:lang="en">Copyright (c) 2023 Author and publisher</dc:rights>
	<dc:rights xml:lang="en">https://creativecommons.org/licenses/by/4.0</dc:rights>
</oai_dc:dc>