Analisis Spatiotemporal Untuk Meningkatkan Prediksi Curah Hujan Bulanan Menggunakan Metode ELM-Cluster

Iklim merupakan bagian yang tak terpisahkan dari kehidupan manusia di bumi. Dimana perubahannya menjadi topik yang hangat diperbincangkan karena melibatkan berbagai upaya penelitian untuk memprediksi masa depan iklim terhadap kelangsungan hidup manusia. Sebagai salah satu institusi yang menangani klimatologi secara detail, NOAA, menerbitkan jurnal tentang pendekatan distribusi data yang digunakan untuk menghasilkan CHIRPS sebagai dataset spatiotemporal. Data tersebut terdiri dari data spasial dua dimensi dan data temporal dari tahun 1981 hingga 2020. Dataset untuk percobaan ini berisi 480 gambar yang dapat diartikan 480 bulan atau 40 tahun. K-means clustering digunakan untuk mengumpulkan karakteristik data spasial yang berbeda berdasarkan nilai Within Cluster Sum Square (WCSS) dengan menggunakan metode Elbow. Sehinga didapatkan empat area spasial dari karakteristik data yang berbeda. Peneliti mengusulkan dua pendekatan dengan menggunakan model Convolutional Long Short-Term Memory Attention dan Extreme Learning Machine Cluster. Tujuan penelitian ini adalah untuk melakukan dua pendekatan yang berbeda yaitu pendekatan cluster dan pendekatan lokasi. ConvLSTM-AT memiliki error loss paling rendah dibandingkan model lain sejenis seperti RNN, GRU, LSTM, dan LSTM-AT. Dibandingkan dengan metode recurrent, ELM memiliki kualifikasi untuk melawan ConvLSTM-AT, dimana ConvLSTM-AT menghasilkan MAE 67,97 dengan durasi training lebih dari dua menit. Sedangkan ELM-Cluster memiliki nilai MAE 66,98, dengan waktu training hanya 28,9 detik dibandingkan metode lainnya.