Implementasi LSTM Autoencoder-OCSVM dalam Pendeteksian Anomali Cuaca untuk Pertanian: Studi Kasus Jawa Timur

Abstract

Perubahan cuaca yang tidak menentu, terutama dalam durasi sinar matahari dan curah hujan, dapat meningkatkan risiko terjadinya bencana alam, yang berpotensi memengaruhi produktivitas pertanian di Jawa Timur. Pendeteksian anomali dapat membantu mengidentifikasi pola menyimpang dan memberikan informasi penting bagi keberlanjutan pertanian. Penelitian ini bertujuan untuk mengidentifikasi pola anomali dalam data durasi sinar matahari dan curah hujan yang dapat memengaruhi produktivitas pertanian di Jawa Timur menggunakan metode LSTM autoencoder-OCSVM pada tahun 2015 hingga 2024. Pemilihan metode ini didasarkan pada karakteristik data deret waktu yang tidak berlabel, sehingga memerlukan pendekatan yang mampu menangkap pola temporal data dan dapat mendeteksi anomali tanpa label. Model LSTM autoencoder digunakan untuk merekonstruksi data dan mendeteksi anomali awal berdasarkan rekonstruksi kesalahan (MSE). Hasil deteksi anomali LSTM autoencoder kemudian divalidasi menggunakan OCSVM. Model menunjukkan kemampuan mendeteksi anomali pada durasi sinar matahari dan curah hujan dengan metrik evaluasi F1-score sebesar 0,71 untuk durasi sinar matahari dan F1-score sebesar 0,82 untuk curah hujan. Anomali yang terdeteksi pada durasi sinar matahari sebanyak 11 anomali, sementara curah hujan sebanyak 7 anomali. Hasil deteksi menunjukkan kesesuaian waktu antara anomali cuaca dan frekuensi bencana, menekankan pentingnya pemantauan cuaca berkelanjutan untuk mengidentifikasi risiko bencana serta menjaga keberlanjutan pertanian dan kesejahteraan petani di Jawa Timur.