Penerapan Metode Deep Learning Menggunakan Algoritma CNN Dengan Arsitektur VGG Net Untuk Pengenalan Cuaca

Implementation of Deep Learning Method using CNN Algorithm with VGG Net Architecture for Weather Recognition

Dengan berkembangnya teknologi, kini komputer dapat melakukan banyak hal. Komputer dapat memberikan informasi yang tidak hanya dalam bentuk teks, tetapi juga dalam bentuk gambar, audio, dan video. Perubahan cuaca ekstrim yang sering terjadi di Indonesia juga dapat mengganggu aktivitas sehari-hari. Sehingga kini masyarakat yang memiliki minat dan kebutuhan informasi mengenai cuaca dan iklim sangat tinggi. Oleh karena itu, agar kebutuhan masyarakat mengenai informasi cuaca dan iklim terpenuhi tentunya dibutuhkan prakiraan cuaca yang tepat. Namun, hingga kini proses pembuatan prakiraan cuaca dan iklim masih terbatas dari masukan data pemodelan. Dimana dalam pemodelan tersebut masih memiliki kekurangan seperti penggunaan jumlah parameter, asumsi-asumsi matematis dan formulasi persamaan yang cenderung rumit.

Dalam mengatasi hal tersebut, maka dikembangkan kemampuan menganalisa dan menarik kesimpulan pada komputer. Kemampuan tersebut dikenal dengan deep learning yang memiliki prinsip kerja mirip jaringan syaraf tiruan. Bedanya kalau jaringan syaraf tiruan hanya mengandalkan 1 layer, sedangkan deep learning lebih dari 1 layer semakin tinggi layer yang digunakan, learning komputer juga semakin lama.

Penelitian ini dilakukan dengan menggunakan algoritma CNN dari deep learning yang didesain untuk mengolah data dua dimensi, sehingga telah berhasil mengidentifikasi citra cuaca dengan nilai tertinggi pada akurasi data latih sebesar 94,16% dan akurasi data testing sebesar 65,00% dengan menggunakan epoch sebanyak 150 epoch. Data citra yang digunakan masing-masing 90 untuk data latih dan 10 untuk data testing. Dapat disimpulkan bahwa algoritma CNN dipengaruhi oleh data training yang besar, semakin besar data training maka semakin tinggi juga akurasi yang didapatkan berdasarkan penelitian-penelitian terdahulu dan juga jumlah epoch yang digunakan dalam arsitektur CNN mempengaruhi hasil akurasi, semakin banyak epoch maka akan semakin tinggi juga akurasi yang didapatkan. 

Kata Kunci—Deep Learning, CNN, VGG Net, Cuaca. 

On the growth of technology, computers can now do many things. Computers can provide information not only in the form of text, but also in the form of images, audio and video. Extreme weather changes that often occur in Indonesia can also disrupt daily activities. So now people who have an interest in and need information about weather and climate are very high. then because of that, In order for the community's needs regarding weather and climate information to be met, of course, accurate weather forecasts are needed. However, until now the process of making weather and climate forecasts is still limited from modeling data input. Where the modeling still has deficiencies such as the use of the number of parameters, mathematical assumptions and equation formulations that tend to be complicated. 

In overcoming this, the ability to analyze and draw conclusions on a computer is developed. This ability is known as deep learning which has a working principle similar to an artificial neural network. The difference is that artificial neural networks only rely on 1 layer, while deep learning is more than 1 layer, the higher the layer used, the longer computer learning takes.

This research was conducted using a deep learning CNN algorithm designed to process two-dimensional data, which successfully identified weather images with a highest accuracy of 94.16% on the training data and an accuracy of 65.00% on the testing data using 150 epochs. The image data used consisted of 90 images for training and 10 images for testing. It can be concluded that the CNN algorithm is influenced by a large training data set; the larger the training data, the higher the accuracy achieved based on previous research. Additionally, the number of epochs used in the CNN architecture also affects the accuracy results. Increasing the number of epochs tends to increase the accuracy obtained.

Kata Kunci—Deep Learning, CNN, VGG Net, Weather.