Penerapan Pembelajaran Mesin dalam Deteksi Cuaca: Sebuah Tinjauan Pustaka Sistematis
Article Sidebar
Main Article Content
Abstract
Penelitian ini merupakan tinjauan sistematis literatur (Systematic Literature Review) yang membahas penerapan machine learning dalam deteksi cuaca. Studi ini mengidentifikasi tren, tantangan, serta efektivitas berbagai model machine learning dalam memprediksi kondisi cuaca, termasuk fenomena cuaca ekstrem. Berdasarkan analisis terhadap sepuluh penelitian terbaru dua tahun terakhir (2024–2025), ditemukan bahwa faktor utama yang mempengaruhi akurasi prediksi cuaca meliputi variabel cuaca yang digunakan, kualitas dataset, serta pemilihan algoritma machine learning. Model XGBoost dan teknik deep learning seperti Multi-Layer Perceptron (MLP) dan BiLSTM terbukti memberikan akurasi tertinggi dalam mendeteksi cuaca ekstrem. Selain itu, penggunaan data real-time dari sensor IoT dan teknik balancing data meningkatkan keakuratan prediksi. Hasil penelitian ini menunjukkan bahwa machine learning memiliki potensi besar dalam meningkatkan kualitas prediksi cuaca, namun masih menghadapi tantangan seperti ketidakpastian cuaca dan keterbatasan data berkualitas tinggi.
Article Details
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
References
Azevedo, B. F., Rocha, A. M. A., & Pereira, A. I. (2024). Hybrid approaches to optimization and machine learning methods: a systematic literature review. Machine Learning, 113(7), 4055-4097.
Adiyasa, B., Dewi, C., & Adikara, P. P. (2025). Deteksi Bencana Banjir Berdasarkan Data Curah Hujan di Jakarta Menggunakan Logistic Regression Neural Network. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer. Retrieved from https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/14436.
Bône, C., Gastineau, G., Thiria, S., Gallinari, P., & Mejia, C. (2023). Detection and attribution of climate change using a neural network. Journal of Advances in Modeling Earth Systems, 15(10), e2022MS003475.
Camacho, Max, et al. "Short-Medium-Term Solar Irradiance Forecasting with a CEEMDAN-CNN-ATT-LSTM Hybrid Model Using Meteorological Data." Applied Sciences 15.3 (2025): 1275.
Intan, I., Rismayani, R., Nurdin, N., & Koswara, A. T. (2021). Performance Analysis of Weather Forecasting using Machine Learning Algorithms (Analisis Performansi Prakiraan Cuaca Menggunakan Algoritma Machine Learning). Pekommas, 6(2), 1-8.
Joses, S., Yulvida, D., & Rochimah, S. (2024). Pendekatan Metode Ensemble Learning untuk Prakiraan Cuaca menggunakan Soft Voting Classifier. Retrieved from https://www.wunderground.com.
Katoch, A., Shree, A., Sharma, R., Brijbasi, A., Sharma, M., & Verma, S. S. (2024, June). Enhancing Cloud Detection Performance: A Comparative Study of CNN Models and Architectures. In 2024 IEEE Students Conference on Engineering and Systems (SCES) (pp. 1-6). IEEE.
Liu, L., Lin, M., Du, Z., Liu, J., Chen, G., & Du, J. (2023). Developing a CNN-based, block-scale oriented Local Climate Zone mapping approach: A case study in Guangzhou. Building and Environment, 240, 110414.
Mahendra, M. F. R., Azizah, N. L., & Sumarno. (2024). Implementasi Machine Learning Untuk Memprediksi Cuaca Menggunakan Support Vector Machine. Jurnal Komputasi. Retrievedfrom https://ejournal.jak-stik.ac.id/index.php/komputasi/article/view/3499.
Maheswara, I. D. G. L., & Al’aziz, A. H. (2025). Perbandingan Model Machine Learning pada Klasifikasi Curah Hujan di Bogor. Jurnal Teknologi Informasi. Retrieved from https://ejournal.nusamandiri.ac.id/index.php/inti/article/view/6296.
Pitaloka, E., Hartanto, T. B. A., & Sandiwarno, S. (2024). Penerapan Machine Learning untuk Prediksi Bencana Banjir. Jurnal Sistem Informasi Bisnis.
Panggabean, D. A. H., Sihombing, F. M., & Aruan, N. M. (2021). Prediksi Tinggi Curah Hujan Dan Kecepatan Angin Berdasarkan Data Cuaca Dengan Penerapan Algoritma Artificial Neural Network (ANN). PROSIDING SEMINASTIKA, 3(1), 1-7.
Putri, D. M., & Kristianto, A. (2021), Prediksi Debit Sungai Bengawan Solo Menggunakan Numerical Weather Model Global Forecast System Dan Integrated Flood Analysis System (Prediction of Discharge in Bengawan Solo River Using Numerical Weather Model Global Forecast System and Integrated Flood Analysis System). Jurnal Penelitian Pengelolaan Daerah Aliran Sungai, 5(1), 41-50.
Pessach, D., & Shmueli, E. (2022). A review on fairness in machine learning. ACM Computing Surveys (CSUR), 55(3), 1-44.
Rahman, F. D., Zulfa, M. I., & Taryana, A. (2024). Clustering dan Klasifikasi Data Cuaca Kota Cilacap Menggunakan K-Means dan Random Forest. Jurnal Sains dan Teknologi. Retrieved from http://jurnalsinta.id/index.php/sinta/article/view/15.
Rifqi, M. N., & Aldisa, R. T. (2024). Penerapan Metode Support Vector Machine Dalam Memprediksi Prediksi Cuaca. Jurnal Sistem dan Informatika.
Rochmawati, D. R. (2024). Prediksi Cuaca Dengan Jaringan Syaraf Tiruan Menggunakan Python. Jurnal Teknologi Komputer dan Informatika, 2(2), 176-186.
Siswanto, E., & Meiliasari, M. (2024). Kemampuan pemecahan masalah pada pembelajaran matematika: systematic literature review. Jurnal Riset Pembelajaran Matematika Sekolah, 8(1), 45-59.
Sulistyowati, I. D., Sunarno, S., & Djuniadi, D. (2024). Penerapan Machine Learning Dengan Algoritma Support Vector Machine Untuk Prediksi Kelembapan Udara Rata-rata. Just IT: Jurnal Sistem Informasi, Teknologi Informasi dan Komputer.
Shin, Yungyeong, et al. "LSTM-Autoencoder Based Detection of Time-Series Noise Signals for Water Supply and Sewer Pipe Leakages." Water 16.18 (2024): 2631.
Sutaryani, A., Sunarno, S., & Djuniadi, D. (2024). Perbandingan Performa Model Machine Learning dalam Prediksi Suhu di Semarang. Jurnal Ilmu dan Teknologi. Retrieved from https://journal.eng.unila.ac.id/index.php/jitet/article/view/4884.
Wiwaha, D. D., Setiawan, D. P., & Pramudita, B. A. (2024). Sistem Prediksi Cuaca Wireless Sensor Network dan Teknologi IoT Dengan Machine Learning. e-Proceeding of Engineering, 11(4), 2831-2840.