Analisis Kinerja VAE-LSTM dalam Pendeteksian Anomali Data Suhu rata-rata harian di Jakarta Tahun 2000-2023

Abstract

Perubahan iklim terjadi di seluruh dunia, sehingga kondisi iklim global menjadi perhatian utama. Di daerah perkotaan yang padat penduduknya seperti Jakarta, tidak mungkin untuk menghindari dampak dari perubahan iklim, terutama perubahan suhu udara harian. Oleh karena itu, diperlukan pendekatan yang canggih dan efisien untuk menemukan inkonsistensi dalam data suhu udara harian untuk memberikan informasi penting bagi perencanaan kota yang berkelanjutan dan upaya untuk mengurangi risiko. Penelitian ini akan menggabungkan dua pendekatan inovatif untuk deteksi anomali hibrida. Metode ini menggabungkan metode generatif dan dapat mengekstrak fitur yang kompleks, seperti variational autoencoder (VAE), bersama dengan kemampuan pengkodean temporal dari long-short-term memory RNN (LSTM). Data yang digunakan dalam penelitian ini adalah data suhu udara harian rata-rata di Jakarta. Data yang digunakan adalah data harian selama periode April 2000 hingga Desember 2023. Ambang batas yang digunakan untuk mendeteksi anomali adalah 229,5 dan menghasilkan performa yang sangat baik, yaitu F1-Score 0,985, Recall 1,000, dan Precision 0,971. model VAE-LSTM mampu mengidentifikasi semua tanggal dengan anomali suhu yang signifikan, termasuk 21 Januari 2014, 22 Februari 2014, 12 November 2014, dan 9 Februari 2015. Anomali tersebut termasuk ke dalam kategori anomali titik dan kontekstual.

Climate change is happening all over the world, so global climate conditions are a major concern. In densely populated urban areas such a Jakarta, it is impossible to avoid the impacts of climate change, particularly the daily changes in air temperature. Therefore, a sophisticated and efficient approach is needed to find inconsistencies in daily air temperature data to provide critical information for sustainable urban planning and efforts to reduce risks. This research will combine two innovative approaches for hybrid anomaly detection. The method combines generative methods and can extract complex features, such as variational autoencoder (VAE), along with the temporal coding capabilities of long-short-term memory RNN (LSTM). The data used in this study is the average daily air temperature data in Jakarta. The data used is daily data for the period April 2000 to December 2023. The threshold used to detect anomalies was 229,5 and resulted in excellent performance, namely F1-Score 0.985, Recall 1.000, and Precision 0.971. The VAE-LSTM model was able to identify all dates with significant temperature anomalies, including January 21, 2014, February 22, 2014, November 12, 2014, and February 9, 2015. The anomalies fall into the categories of point and contextual anomalies.