BULLETIN OF COMPUTER SCIENCE RESEARCH
ISSN 2774-3659 (Media Onlin.
Vol 5.
No 6.
October 2025 | Hal 1315-1323 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
Optimalisasi Prediksi Parameter Lingkungan Menggunakan Model LSTM Multivariat dan Univariat Chandra Nilasari Yunantara1,*.
April Firman Daru2 Teknologi Informasi dan Komunikasi.
Teknik Informatika.
Universitas Semarang.
Semarang.
Indonesia Email: 1,*chndrnila@gmail.
com, 2firman@usm.
Email Penulis Korespondensi: chndrnila@gmail.
AbstrakOePrediksi parameter lingkungan berperan penting dalam mendukung pemantauan kondisi cuaca serta pengambilan keputusan berbasis data, khususnya di wilayah perkotaan seperti Semarang.
Namun, akurasi prediksi sering kali dipengaruhi oleh keterbatasan model dalam menangkap hubungan antarparameter lingkungan.
Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja dua pendekatan Long Short-Term Memory (LSTM), yaitu Multivariat dan Univariat, dalam memprediksi suhu udara .
sebagai variabel dependen.
Pada model Multivariat, prediksi suhu dipengaruhi oleh variabel independen lain seperti kelembaban .
, tekanan udara .
, dan ketinggian .
, sedangkan pada model Univariat, prediksi suhu dilakukan berdasarkan data suhu masa lalu.
Arsitektur model terdiri atas tiga lapisan utama yaitu, input layer, dua hidden layer, dan output layer.
Evaluasi kinerja dilakukan menggunakan Root mean Square Error (RMSE).
Mean Square Error (MSE), dan Mean Absolute percentage Error (MAPE).
Hasil pengujian menunjukkan bahwa model LSTM Multivariat menghasilkan nilai error yang lebih rendah untuk parameter temperature dan pressure, sedangkan model LSTM Univariat lebih unggul pada humidity dan altitude.
Dengan demikian, model Multivariat lebih sesuai digunakan ketika hubungan antarparameter lingkungan berpengaruh signifikan terhadap hasil prediksi.
Kata Kunci: LSTM.
Multivariat.
Univariat.
Prediksi AbstractOeEnvironmental parameter prediction plays an essential role in supporting weather monitoring and data-driven decisionmaking, particularly in urban areas.
However, prediction accuracy is often limited by a modelAos ability to capture the interrelationships among environmental parameters.
This study aims to analyze and compare the performance of two Long Short-Term Memory (LSTM) approaches Multivariate and Univariate in predicting air temperature as the dependent variable.
In the Multivariate model, temperature prediction is influenced by other independent variables such as humidity, pressure, and altitude, whereas in the Univariate model, temperature prediction is based solely on its historical data.
The model architecture consists of three main layers an input layer, two hidden layers, and an output layer.
Model performance was evaluated using Root Mean Square Error (RMSE).
Mean Square Error (MSE), and Mean Absolute Percentage Error (MAPE).
The experimental results show that the multivariate LSTM model produces lower error values for temperature and pressure parameters, while the univariate LSTM model performs better for humidity and altitude.
Therefore, the multivariate model is more suitable when the interrelationships among environmental parameters significantly influence prediction outcomes.
Keywords: LSTM.
Multivariate.
Univariate.
Prediction PENDAHULUAN Fenomena perubahan iklim dan dinamika lingkungan perkotaan membawa dampak besar terhadap aktivitas manusia, terutama dikota-kota besar seperti Semarang.
Kota ini dikenal sebagai salah satu wilayah dengan tingkat urbanisasi tinggi dan kerentanan terhadap perubahan cuaca ekstream.
Faktor-faktor lingkungan seperti suhu udara, kelembaban, tekanan udara, dan ketinggian memiliki pengaruh langsung terhadap berbagai aspek kehidupan, mulai dari kesehatan masyarakat, perencanaan transportasi, hingga tata kelola kota.
Cuaca yang panas dan lembab misalnya, dapat meningkatkan resiko penyakit berbasis lingkungan, sedangkan perubahan tekanan udara dapat memengaruhi keselamatan penerbangan.
Oleh karena itu, prediksi cuaca mikro menjadi salah satu elemen penting dalam mendukung tata kelola perkotaan yang Namun, kondisi cuaca yang fluktuatif dan penuh ketidakpastian seringkali menjadi hambatan dalam melakukan prediksi yang akurat.
Metode prediksi konvensional, seperti Autoregressive Integrated Moving Average (ARIMA) dan Seasonal Autoregressive Integrated Moving Average (SARIMA) masih memiliki keterbatasan dalam menangkap pola data non-linear dan kompleks.
Model-model tersebut umumnya lebih sesuai digunakan untuk data dengan tren linear dan variasi musiman yang sederhana.
Dalam praktiknya, variabel lingkungan di kawasan urban sering kali dipengaruhi oleh banyak faktor eksternal yang saling berinteraksi, sehingga menghasilkan pola data yang kompleks dan dinamis.
Ketika metode prediksi tidak dapat menangkap keterkaitan antarvariabel tersebut, maka hasil yang diperoleh berpotensi memiliki akurasi rendah.
Akibatnya, kesalahan dalam prediksi dapat menimbulkan risiko serius pada berbagai sektor, misalnya pada mitigasi bencana hidrometeorologi, perencanaan energi, sistem transportasi, perkembangan teknologi, hingga pengambilan kebijakan publik berbasis data.
Sebagai jawaban atas keterbatasan tersebut, perkembangan teknologi kecerdasan buatan menghadirkan pendekatan baru untuk pemodelan prediksi.
Salah satu metode yang relevan adalah Long Short-Term Memory (LSTM), yaitu model jaringan saraf tiruan yang termasuk dalam kategori Recurrent Neural Network (RNN).
LSTM dirancang untuk mengatasi kelemahan RNN konvensional, terutama masalah vanishing gradient.
Kemampuan LSTM untuk mengingat informasi jangka panjang menjadikannya sangat sesuai digunakan dalam pemodelan deret waktu yang memiliki pola non-linear dan kompleks.
Dalam konteks penelitian ini.
LSTM digunakan dengan dua pendekatan yaitu univariat yang berfokus pada satu variabel target, serta multivariat yang memanfaatkan beberapa variabel input sekaligus.
Perbandingan kedua pendekatan tersebut menjadi penting karena keduanya memiliki keunggulan masing-masing, dan hasil penelitian dapat menjadi dasar pemilihan model terbaik sesuai kebutuhan.
Copyright A 2025 The Author.
Page 1315 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 6.
October 2025 | Hal 1315-1323 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
Penelitian-penelitian sebelumnya menunjukkan efektivitas LSTM pada berbagai bidang.
Menerapkan LSTM univariat dan multivariat untuk memprediksi kasus aktif COVID-19 di Malaysia dengan integrasi data meteorologi.
Hasil penelitian mereka menunjukkan bahwa univariat lebih unggul di sebagian wilayah, sedangkan multivariat lebih sesuai untuk wilayah Hal ini mengindikasikan bahwa pemilihan model sangat bergantung pada karakteristik data yang digunakan .
Meneliti LSTM univariat dan multivariat untuk memprediksi significat wave height di sektor kelautan.
Mereka memanfaatkan variabel meteorologi seperti kecepatan dan arah angin, tekanan udara, serta suhu permukaan laut.
Hasilnya menunjukkan bahwa model multivariat mampu meningkatkan performa prediksi dibandingkan metode tradisional, sehingga lebih sesuai digunakan dalam kondisi dengan variabel eksternal yang kompleks .
Dalam bidang energi membandingkan efektivitas LSTM univariat dan multivariat pada peramalan daya energi surya fotovoltaik.
Mereka menemukan bahwa model univariat cukup efektif untuk peramalan jangka pendek .
ne-step forecastin.
, sementara model multivariat lebih unggul untuk peramalan jangka panjang .
ultistep forecastin.
, karena mampu mempertimbangkan variabel seperti radiasi surya dan suhu .
Membandingkan pendekatan serupa pada prediksi pasar saham Malaysia.
Mereka menemukan bahwa LSTM mengungguli metode lain seperti MLP dan CNN, baik dalam horizon jangka pendek maupun jangka panjang.
Temuan ini memperkuat pandangan bahwa LSTM dapat menangani data nonlinear yang kompleks, mirip dengan pola data lingkungan .
Penelitian terbaru memfokuskan pada prediksi harga minyak kelapa sawit dunia.
Mereka menemukan bahwa LSTM univariat lebih efektif ketika menghadapi data dengan volatilitas tinggi, namun, multivariat tetap memiliki keunggulan karena dapat mengintegrasikan variabel eksternal seperti harga minyak kedelai dan minyak bumi, temuan ini memperlihatkan bahwa keunggulan kedua model bersifat kontekstual bergantung pada jenis data yang digunakan .
Berdasarkan uraian diatas, terlihat jelas bahwa univariat maupun multivariat memiliki keunggulan sekaligus Univariat cenderung lebih efektif ketika pola historis cukup kuat dan stabil, sedangkan multivariat lebih sesuai digunakan ketika terdapat variabel eksternal yang berpengaruh signifikan.
Meski demikian, sebagian besar penelitian terdahulu berfokus pada kesehatan, kelautan, energi, atau pasar keuangan.
Masih sedikit penelitian yang membandingkan kedua pendekatan ini secara langsung dalam konteks prediksi parameter lingkungan perkotaan.
Kota Semarang, dengan iklim tropis lembab serta tingkat urbanisasi yang tinggi, menjadi kasus menarik sekaligus menantang untuk menguji efektivitas kedua pendekatan ini.
Kesenjangan penelitian .
ap analysi.
muncul dari kenyataan bahwa sebagian besar studi terdahulu tidak menyoroti parameter lingkungan perkotaan secara komprehensif.
Sebagian besar penelitian lebih menekankan pada variabel tunggal dan dominan tertentu, sementara integrasi beberapa parameter lingkungan di kawasan urban masih jarang dilakukan.
Dengan menempatkan penelitian pada konteks tersebut, studi ini tidak hanya menguji kinerja LSTM, tetapi juga berupaya memberikan kontribusi praktis dalam mendukung sistem peringatan dini, perencanaan tata kota, dan pengambilan keputusan berbasis data.
Hasil penelitian ini diharapkan dapat memberikan rekomendasi yang relevan, baik bagi pemerintah daerah, lembaga penelitian, maupun masyarakat umum.
Dengan demikian, penelitian ini bertujuan untuk menganalisis kinerja LSTM multivariat dan univariat dalam memprediksi parameter lingkungan di wilayah perkotaan.
Secara khusus, penelitian ini berusaha mengidentifikasi parameter lingkungan mana yang lebih akurat diprediksi dengan model tertentu, serta menyusun rekomendasi model prediksi yang relevan dengan kebutuhan aplikasi.
Harapannya, penelitian ini tidak hanya memberikan kontribusi teoritis bagi pengembangan metode time series forecasting, tetapi juga manfaat praktis dalam mendukung perencanaan dan kebijakan berbasis data dikota-kota besar seperti Semarang.
METODOLOGI PENELITIAN
Dalam penelitian ini, proses pembuatan model LSTM multivariat dan univariat dilakukan dalam beberapa tahap, seperti yang digambarkan pada Gambar 1.
Gambar 1.
Metode Penelitian LSTM multivariat dan univariat Berikut ini penjelasan singkat setiap fase dalam pendekatan studi untuk model LSTM multivariat dan univariat, diambil dari Gambar 1.
Collection data Pada tahap pengumpulan data dalam penelitian ini dilakukan untuk memperoleh informasi yang relevan dengan fokus Data diperoleh melalui meteorologi dan lingkungan yang menyediakan catatan parameter iklim harian di Kota Semarang.
Proses pengumpulan dilakukan dengan cara mengunduh dataset historis melalui permintaan resmi ke Copyright A 2025 The Author.
Page 1316 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 6.
October 2025 | Hal 1315-1323 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
lembaga terkait yang digunakan terdiri dari parameter .
emperature, humidity, pressure, dan altitud.
dijadikan sebagai fitur input.
Preprocessing data Pada tahapan ini dilakukan pembersihan data dan dinormalisasi.
Karena terdapat lebih dari satu variabel, dilakukan standarisasi agar setiap variabel memiliki skala yang seimbang, serta penanganan missing values.
Pembentukan dataset terawasi Data runtun waktu diubah menjadi format supervised learning, di mana nilai data pada periode sebelumnya digunakan untuk memprediksi periode selanjutnya.
Data latih dan uji Pada tahapan ini dibagi menjadi dua yaitu, data latih .
%) dan data uji .
%) untuk menghindari overfitting serta memastikan model dapat diuji secara objektif.
Pembangunan model LSTM multivariat dan univariat Model LSTM dibangun menggunakan arsitektur berlapis untuk mennagkap pola temporal pada data deret waktu Model LSTM multivariat menggunakan empat variabel input .
emperature, humidity, pressure, dan altitud.
dengan time step 7 hari untuk memprediksi suhu udara keesokan harinya.
Arsitektur terdiri atas dua hidden layer LSTM masing-masing berisi 64 dan 32 neuron, serta output layer tunggal dengan aktivasi linear.
Sedangkan model LSTM univariat hanya menggunakan data suhu masa lalu dengan konfigurasi dua hidden layer berisi 50 dan 25 neuron, dan time step yang sama yaitu 7 hari.
Pelatihan model Pada tahapan ini proses pelatihan dilakukan dengan optimisasi menggunakan Adam dengan learning rate 0.
001 dan fungsi kehilangan berupa MSE.
Model dilatih selama 100 epoch dengan batch size 32 untuk mempercepat konvergensi dan menjaga stabilitas pelatihan.
Untuk mencegah overfitting, diterapkan teknik early stopping dengan patience selama 10 epoch, serta penggunaan dropout layer sebesar 0.
2 pada masing-masing hidden layer.
Karena kompleksitas hubungan antarvariabel pada model multivariat lebih tinggi dibandingkan univariat, dilakukan penyesuaian jumlah neuron dan regularisasi dropout agar model tidak terlalu menyesuaikan diri terhadap data pelatihan.
Hasil prediksi Kemudian pada tahapan ini dilakukan denormalisasi agar kembali ke skala semula, sehingga dapat dibandingkan secara langsung dengan data aktual.
Evaluasi performa Pada kinerja model dievaluasi menggunakan metrik RMSE.
MSE, dan MAPE.
Hasil perbandingan akan menunjukkan keunggulan maupun keterbatasan masing-masing pendekatan dalam memprediksi parameter lingkungan.
1 Long Short-Term Memory (LSTM) Long short-Term Memory (LSTM) merupakan pengembangan dari Recurrent Neural Network (RNN) yang dirancang untuk menangani keterbatasan model RNN konvensional, terutama pada masalah vanishing gradient saat memproses data LSTM memiliki kemampuan untuk mengingat informasi dalam jangka panjang .
ong-term dependencie.
melalui struktur arsitektur khusus yang terdiri atas tiga gerbang utama, yaitu forget gate, input gate, dan output gate.
LSTM mampu menggunakan ukuran data yang besar dan memanfaatkan semua informasi historis sebagai masukan dalam proses pembelajaran.
Model ini banyak digunakan untuk peramalan .
data deret waktu, seperti curah hujan, suhu, dan kualitas udara karena mampu menangkap hubungan non-linear antar variabel temporal secara efektif .
Model LSTM pendekatan sekuensial yang digunakan dalam penelitian ini memiliki empat lapisan, yaitu:
Input Layer Pada model LSTM, input layer berfungsi menerima data sekuensial dalam format tiga dimensi yaitu samples, timesteps, dan features.
Menggambarkan bahwa input layer menerima beberapa variabel historis dan mengatur data agar sesuai dengan format input LSTM .
Hidden Layer Hidden layer terdiri dari satu atau lebih lapisan LSTM yang memiliki unit memori dengan tiga gerbang utama yaitu, forget gate, input gate, dan output gate.
Lapisan ini bertugas mempelajari pola temporal antara langkah waktu masalalu dan masa depan .
Output Layer Output layer menghasilkan prediksi akhir berdasarkan fitur yang telah diproses melalui hidden layer.
Jumlah neuron pada output layer tergantung pada prediksi yang ingin diciptakan bisa satu neuron untuk single step atau lebih jika model memprediksi multistep.
Fungsi aktivasi biasanya linear dalam kasus regresi tetapi bisa juga penggunaan output layer dalam berbagai model forecasting, termasuk LSTM, dan bagaimana model menggunakan fungsi loss seperti MSE untuk pelatihan dan validasi .
1 Metode Multivariat LSTM LSTM multivariat Adalah varian dari LSTM yang menggunakan lebih dari satu variable input untuk memprediksi satu atau lebih target variable.
Pendekatan ini memungkinkan model mempelajari hubungan antarvariabel .
nter-variabel dependencie.
yang memengaruhi hasil prediksi.
Misalnya, dalam peramalan kualitas udara, variable seperti suhu, kelembaban, kecepatan angin digunakan secara bersamaan untuk memprediksi tingkat polutan PM10 atau CO .
Setiap fitur dalam model multivariat memberikan kontribusi terhadap pembentukan pola yang kompleks dan saling bergantung Copyright A 2025 The Author.
Page 1317 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 6.
October 2025 | Hal 1315-1323 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
Dengan demikian.
LSTM multivariat lebih representative dibandingkan model univariat karena mampu menangkap keterkaitan antar faktor yang mempengaruhi fenomena yang diamati .
2 Metode Multivariat LSTM Pendekatan univariat LSTM digunakan untuk menganalisis deret waktu dengan satu variabel input tunggal .
ingle futur.
dan satu target output.
Model ini belajar dari urutan nilai masalalu dari variabel yang sama untuk memprediksi nilai masa depan tanpa melibatkan variabel eksternal.
Pendekatan ini umum digunakan pada penelitian peramalan kasus COVID19, suhu udara, atau harga saham karena struktur datanya sederhana dan pola temporalnya kuat .
, .
2 Root Mean Square Error (RMSE) Root Mean Square Error (RMSE) merupakan salah satu metrik evaluasi yang digunakan untuk mengukur tingkat kesalahan antara nilai hasil prediksi model dan nilai aktual.
Dalam konteks model LSTM multivariat.
RMSE digunakan untuk menilai seberapa baik model memprediksi nilai target, seperti volatilitas pasar atau parameter lingkungan.
Semakin kecil nilai RMSE, maka semakin baik akurasi model dalam melakukan prediksi .
RMSE secara umum dinyatakan dengan persamaan berikut:
ycIycAycIya = OoycA Ocycuycn=0.
cUycaycaycycycayco Oe ycUycyycyceycc )2 .
Dimana N mewakili jumlah data.
Yactual mewakili nilai aktual, dan Ypred mewakili nilai prediksi.
3 Root Mean Square Error (MSE) Mean Squared Error (MSE) merupakan salah satu metrik evaluasi yang digunakan untuk mengukur rata-rata kuadrat dari selisih antara nilai aktual dan nilai prediksi.
MSE digunakan secara luas dalam penelitian berbasis machine learning dan deep learning karena memberikan ukuran seberapa jauh hasil prediksi model menyimpang dari nilai sebenarnya.
Nilai MSE yang semakin kecil menunjukan bahwa hasil prediksi model semakin mendekati data aktual, sehingga akurasi model semakin tinggi .
MSE secara umum dinyatakan dengan persamaan berikut:
ycu ycAycIya = ycu Oc .
cUycyycyceycc,ycn Oe ycUycaycaycycycayco,ycn ) .
ycn=1 Dimana N mewakili jumlah data.
Ypred,i mewakili nilai prediksi ke-i, dan Yactual,i mewakili nilai aktual ke-i.
4 Root Mean Square Error (MAPE) Mean Absolute Percentage Error (MAPE) adalah salah satu metrik evaluasi paling populer yang digunakan untuk mengukur tingkat kesalahan pada model prediksi atau peramalan, terutama dalam regresi berbasis machine learning dan deep learning.
Dalam penelitian tersebut.
MAPE digunakan untuk menilai akurasi prediksi pada data pelatihan, pengujian, dan permalan masa depan.
Nilai MAPE yang rendah menunjukan kemampuan model dalam mengikuti pola tren harga saham meskipun terdapat fluktuasi pasar yang dinamis .
yc ycAyaycEya = ycu Ocycuyc=1 | ycaycaycycycayco,yc ycU Oe ycUycyycyceycc ycaycaycycycayco,yc .
Dimana N mewakili jumlah data.
Yactual,t mewakili nilai aktual pada waktu ke-t, dan Ypred,t mewakili nilai prediksi pada waktu ke-t.
HASIL DAN PEMBAHASAN
1 Pengumpulan Data Pengumpulan data dalam penelitian ini dilakukan untuk memperoleh informasi yang diperluhan dalam menganalisis kinerja model Long Short-Term Memory (LSTM) baik multivariat maupun univariat dalam memprediksi parameter lingkungan di wilayah perkotaan.
Data yang digunakan mencakup beberapa variabel lingkungan seperti temperature, humidity, pressure, dan altitude yang relevan dengan kondisi iklim di wilayah penelitian.
Data diperoleh melalui meteorologi dan lingkungan yang menyediakan catatan parameter iklim harian di Kota Semarang.
Proses pengumpulan dilakukan dengan cara mengunduh dataset historis melalui permintaan resmi ke lembaga Periode waktu observasi yang digunakan adalah Januari 2024 hingga April 2025, sehingga mencakup dinamika cuaca dalam berbagai musim dan kondisi atmosfer yang berbeda.
Sebelum digunakan dalam proses pemodelan, data terlebih dahulu melalui tahap pemeriksaan kelengkapan dan validasi untuk memastikan tidak adanya nilai yang hilang, duplikasi, maupun data yang tidak wajar.
Selanjutnya, data yang telah divalidasi disimpan dalam format digital seperti CSV agar mudah diolah dalam tahap pra-pemrosesan dan analisis menggunakan model LSTM.
Dengan demikian, tahap pengumpulan data ini menjadi dasar penting untuk mencapai tujuan penelitian, yaitu menganalisis sejauh mana perbedaan kinerja antara model LSTM multivariat dan univariat dalam memprediksi parameter lingkungan, serta menentukan model mana yang paling relevan digunakan untuk memprediksi parameter lingkungan di kota-kota besar seperti Semarang.
Copyright A 2025 The Author.
Page 1318 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 6.
October 2025 | Hal 1315-1323 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
2 Preprocessing Data Pada tahapan ini menunjukan hubungan yang saling berkaitan antarparameter lingkungan.
Suhu .
-37oC) memperlihatkan pola musiman dengan nilai tertinggi pada musim kemarau dan terendah pada saat musim hujan, disertai fluktuasi harian akibat pengaruh angin laut dan penyinaran matahari.
Kelembaban .
-100%) menunjukkan pola berlawanan dengan suhu, meningkat pada musim hujan dan menurun saat suhu tinggi.
Tekanan udara .
-947 hP.
relatif stabil dengan tren mengikuti suhu dan berlawanan dengan kelembaban.
Sementara itu, ketinggian .
-720 .
tidak menunjukkan pola musiman dan lebih dipengaruhi oleh variasi sensor, namun tetap relevan karena berkaitan dengan perubahan tekanan dan suhu.
3 Pelatihan Model Tahap pelatihan model LSTM dilakukan untuk membangun sistem prediksi parameter lingkungan berdasarkan data deret Dua jenis model digunakan, yaitu LSTM multivariat yang melibatkan beberapa variabel seperti temperature, humidity, pressure, dan altitude, dan LSTM univariat yang memprediksi satu variabel seperti suhu udara berdasarkan data historisnya sendiri.
Data dibagi menjadi 80% data latih dan 20% data uji.
Proses pelatihan dilakukan menggunakan TensorFlow dan Keras, dengan parameter utama seperti optimizer Adam, serta loss function MSE.
Pelatihan dilakukan selama beberapa epoch dengan penerapan early stopping untuk mencegah overfitting.
Setiap model dilatih selama 100 epoch dengan batch size 32, dan verbose 1.
1 Model LSTM Multivariat Model LSTM multivariat dirancang untuk mempelajari keterkaitan dinamis antarvariabel input, baik dalam jangka pendek maupun jangka panjang guna menghasilkan prediksi yang lebih presisi dan stabil.
Model ini menggunakan empat variabel utama, yakni temperature, humidity, pressure, dan altitude.
Arsitektur jaringan yang digunakan untuk tiga variabel pertama memiliki total 794.
277 parameter dengan ukuran sekitar 3,03 MB, sedangkan model yang dibangun untuk variabel altitude memuat 249.
153 parameter berukuran 973,24 KB.
Seluruh parameter bersifat trainable, memastikan setiap lapisan berperan aktif dalam proses pembelajaran.
Hasil pelatihan ini menunjukkan grafik loss yang konvergen dan stabil sepanjang epoch, menandakan kemampuan model dalam melakukan generalisasi tanpa mengalami overfitting maupun undefitting.
2 Model LSTM Univariat Model LSTM multivariat dikembangkan untuk menganalisis pola temporal dari satu variabel tunggal, yakni temperature, tanpa mempertimbangkan pengaruh variabel eksternal lainnya.
Pendekatan ini berfokus pada pemanfaatan data historis suhu untuk menghasilkan prediksi masa depan secara spesifik.
Arsitektur jaringan terdiri dari dua hidden layer LSTM dengan total 412.
000 parameter berukuran sekitar 1,6 MB, seluruhnya bersifat trainable.
Proses pelatihan memperlihatkan nilai loss yang menurun secara konsisten pada setaip epoch, menunjukkan bahwa model dapat menyesuaikan bobot secara efektif dan mencapai keseimbangan antara akurasi pelatihan serta validasi.
4 Hasil Prediksi Hasil prediksi menunjukkan bahwa model LSTM multivariat maupun LSTM univariat mampu mengikuti pola fluktuasi data aktual parameter lingkungan.
Model multivariat menunjukkan kinerja lebih baik pada variabel yang saling berkorelasi, seperti suhu, kelembaban, dan tekanan udara, sedangkan model univariat menghasilkan prediksi yang cukup stabil untuk variabel tunggal seperti suhu udara.
Nilai error yang diukur menggunakan metrik seperti RMSE.
MAPE, dan MSE menunjukkan bahwa model multivariat memiliki tingkat kesalahan yang lebih rendah dibandingkan univariat.
1 Hasil Prediksi LSTM Multivariat Berdasarkan Gambar 2 model LSTM multivariat menunjukkan hasil prediksi yang sangat mendekati data aktual pada keempat variabel lingkungan .
emperature, humidity, pressure, dan altitud.
Garis prediksi yang hampir berimpit dengan data asli menandakan model mampu mengenali pola perubahan antarvariabel dengan baik, sehingga menghasilkan prediksi yang akurat dan stabil.
Kondisi ini menunjukkan bahwa model tidak hanya belajar dari pola tunggal setiap variabel, tetapi juga memahami hubungan dinamis di antara variabel-variabel tersebut.
Ketepatan bentuk kurva antara data aktual dan data hasil prediksi juga menandakan bahwa proses pelatihan model telah berjalan efektif dalam menangkap karakteristik data waktu yang kompleks.
Selain itu, kinerja model yang stabil pada setiap variabel lingkungan mengindikasikan bahwa LSTM multivariat memiliki kemampuan generalisasi yang tinggi dalam menghadapi variasi data.
Model ini mampu merespons fluktuasi nilai tanpa menimbulkan perbedaan signifikan antara data prediksi dan data Dengan demikian, dapat disimpulkan bahwa pendekatan multivariat memberikan hasil yang lebih akurat dibandingkan pendekatan univariat karena mempertimbangkan korelasi antarparameter lingkungan secara simultan.
Hal ini menjadikan LSTM multivariat sebagai metode yang potensial untuk diterapkan dalam sistem prediksi kondisi lingkungan yang membutuhkan ketepatan dan konsistensi tinggi.
Secara keseluruhan, hasil ini membutktikan bahwa integrasi variabel lingkungan dalam satu model prediksi mampu meningkatkan performa dan reliabilitas sistem peramalan berbasis LSTM.
Copyright A 2025 The Author.
Page 1319 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 6.
October 2025 | Hal 1315-1323 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
Gambar 2.
Grafik data asli dan hasil prediksi LSTM multivariat 2 Hasil Prediksi LSTM Univariat Sementara itu, hasil pada Gambar 3 menunjukkan bahwa LSTM univariat juga mampu mempelajari pola temporal tiap variabel secara efektif.
Prediksi yang dihasilkan mengikuti data aktual secara konsisten, menandakan model dapat menangkap dinamika perubahan dari waktu ke waktu.
Secara keseluruhan.
LSTM multivariat unggul dalam mengenali keterkaitan antarvariabel, sedangkan LSTM univariat efektif untuk pola temporal tunggal yang kuat.
Copyright A 2025 The Author.
Page 1320 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 6.
October 2025 | Hal 1315-1323 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
Gambar 3.
Grafik data asli dan hasil prediksi LSTM univariat 5 Hasil Forecasting Hasil forecasting menunjukkan bahwa model LSTM multivariat dan LSTM univariat mampu memprediksi tren parameter lingkungan dengan pola yang mendekati data aktual.
Secara keseluruhan, hasil forecasting menunjukkan bahwa pendekatan LSTM multivariat lebih unggul dalam memprediksi parameter lingkungan di Kota Semarang, sehingga dapat dijadikan dasar dalam pengembangan sistem pemantauan dan perencanaan lingkungan berbasis data.
1 Hasil Forecasting LSTM Multivariat Hasil forecasting pada Gambar 4 menggunakan model LSTM multivariat menunjukkan bahwa model ini mampu memprediksi perubahan nilai parameter lingkungan dengan pola yang sanagat mendekati data aktual.
Secara visual, grafik hasil prediksi memperlihatkan bahwa nilai prediksi mengikuti tren data sebenarnya dengan deviasi yang relatif kecil, terutama pada periode fluktuasi cuaca yang tinggi.
Gambar 4.
Grafik hasil forecasting model LSTM multivariat 2 Hasil Prediksi LSTM Univariat Hasil forecasting Gambar 5 menggunakan model LSTM univariat menunjukkan bahwa model mampu memprediksi pola perubahan nilai parameter lingkungan berdasarkan data historis satu variabel, seperti suhu udara.
Model ini dapat mengikuti tren umum data aktual, terutama pada kondisi stabil atau fluktuasi yang tidak terlalu tajam.
Namun, pada Copyright A 2025 The Author.
Page 1321 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 6.
October 2025 | Hal 1315-1323 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
periode dengan perubahan cuaca yang ekstream, hasil prediksi menunjukkan sedikit deviasi data data sebenarnya karena model hanya mempertimbangkan satu variabel tanpa memperhitungkan pengaruh variabel lai n seperti kelembaban atau tekanan udara.
Gambar 5.
Grafik hasil forecasting model LSTM univariat 6 Evaluasi Model Hasil evaluasi kinerja kedua model ditunjukkan pada Tabel 1.
Sejumlah penelitian menunjukkan bahwa model LSTM multivariat cenderung lebih unggul dibandingkan LSTM univariat dalam menangkap korelasi antarvariabel dan menghasilkan prediksi yang lebih akurat untuk langkah awal .
Namun, keunggulan tersebut tidak selalu konsisten, karena akurasi model multivariat dapat menurun pada horizon prediksi yang lebih panjang akibat kompleksitas hubungan antarvariabel dan akumulasi kesalahan.
Hasil ini sejalan dengan temuan penelitian ini, dimana model multivariat mampu mengenali keterkaitan antarvariabel cuaca dengan baik, sedangkan model univariat lebih stabil pada variabel dengan fluktuasi rendah .
Tabel 1.
Perbandingan kinerja model LSTM multivariat dan univariat
Variabel
Temperature Humidity Pressure Altitude Model
Multivariat
Univariat
Multivariat
Univariat
Multivariat
Univariat
Multivariat
Univariat
RMSE
MSE
MAPE (%)
Keterangan Lebih akurat Lebih akurat Lebih akurat Relatif akurat (MAPE renda.
Lebih kecil error absolut
KESIMPULAN
Berdasarkan hasil pengujian yang telah dilakukan, diperoleh bahwa model LSTM multivariat dan LSTM univariat menunjukkan tingkat akurasi yang bervariasi pada setiap parameter lingkungan, yaitu temperature, humidity, pressure, dan altitude.
Pada peremeter temperature, model LSTM multivariat memberikan hasil yang lebih akurat dengan nilai RMSE sebesar 0.
MSE 0.
38396, dan MAPE 1.
92%, dibandingkan model univariat yang menghasilkan RMSE 876.
MSE 0.
768, dan MAPE 2.
Hal ini menunjukkan bahwa mempertimbangkan variabel lain seperti humidity, pressure, dan altitude mampu meningkatkan kemampuan model dalam mengenali pola suhu.
Untuk parameter humidity, model LSTM univariat menunjukkan performa yang sedikit lebih baik dengan RMSE 3.
MSE 9.
282, dan MAPE Copyright A 2025 The Author.
Page 1322 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 6.
October 2025 | Hal 1315-1323 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
71%, menandakan bahwa kelembaban udara bersifat lebih independen terhadap variabel lain sehingga model univariat lebih sesuai digunakan.
Pada parameter pressure, model LSTM multivariat menghasilkan performa terbaik dengan RMSE 48271.
MSE 0.
233000, dan MAPE 0.
04%, membuktikan bahwa tekanan udara sangat dipengaruhi oleh suhu dan ketinggian sehingga model multivariat lebih efektif dalam menangkap keterkaitan antarparameter.
Sedangkan parameter altitude, model multivariat memperoleh RMSE 4.
MSE 24.
17111, dan MAPE 0.
61%, sementara model univariat menghasilkan RMSE 0.
MSE 0.
808, dan MAPE 2.
Meskipun nilai RMSE dan MSE model multicariat lebih tinggi, nilai MAPE yang lebih rendah menunjukkan bahwa kesalahan relatif terhadap data aktual masih kecil sehingga model tetap mampu merepresentasikan pola perubahan ketinggian dengan baik.
Secara keseluruhan, penelitian ini berhasil mencapai tujuannya, yaitu menganalisis dan membandingkan kinerja model LSTM multivariat dan univariat dalam memprediksi parameter lingkungan.
Berdasarkan hasil evaluasi, model LSTM multivariat direkomendasikan sebagai model terbaik secara keseluruhan karena mampu menangkap hubungan antarvariabel dengan lebih efektif dan memberikan hasil prediksi yang lebih stabil pada sebagian besar parameter yang diuji.
REFERENCES