IMPUTASI MISSING VALUE DATA TEMPERATUR UDARA MENGGUNAKAN METODE MULTILAYER PERCEPTRON (MLP)
Abstract
Kelengkapan dan akurasi data temperatur udara merupakan kebutuhan utama dalam studi meteorologi serta berbagai aplikasi berbasis data cuaca. Namun pada kenyataannya, data pengukuran dari sensor sering mengalami kekosongan nilai akibat kendala teknis pada alat maupun pengaruh faktor eksternal. Penelitian ini mengembangkan model imputasi untuk menutup data temperatur yang hilang dengan menggunakan metode Multilayer Perceptron (MLP). Fitur yang digunakan meliputi kelembaban, tekanan udara, radiasi matahari, dan temperatur pada waktu sebelumnya sebagai variabel lag. Dataset yang digunakan terdiri dari 41.410 baris data historis yang telah melalui proses pembersihan. Pembagian data dilakukan dengan rasio 80% untuk pelatihan dan 20% untuk pengujian secara kronologis (time-based), serta dilakukan normalisasi menggunakan StandardScaler. Hasil evaluasi menunjukkan model MLP dengan dua hidden layer berukuran 150 dan 75 neuron mampu memprediksi temperatur dengan baik. Hal ini dibuktikan dengan nilai RMSE 0,868°C, MAE 0,591°C, dan R² 0,903. Hasil ini menunjukkan bahwa pendekatan MLP dengan fitur temporal efektif digunakan untuk imputasi data temperatur yang hilang.
Downloads
References
I. Irnawati et al., "Pengenalan Instrumen Manual dan Digital untuk Mendukung Layanan Prakiraan Cuaca di Taman Alat BMKG Wilayah I DEO Sorong," Abdimas: Papua J. Community Serv., vol. 7, no. 2, pp. 105–117, 2025, doi: 10.33506/pjcs.v7i2.4633.
S. A. Pramono and L. F. Muzayanah, "Kendali Mutu Data Suhu Udara Per Jam Menggunakan Metode Range Check di Stasiun Klimatologi Malang," Jurnal Sains dan Teknologi Atmosfer, vol. 2, no. 1, pp. 8–13, 2022.
A. Widianti and I. Pratama, "Penanganan Missing Values dan Prediksi Data Timbunan Sampah Berbasis Machine Learning," RABIT: J. Teknol. dan Sist. Inf. Univrab, vol. 9, no. 2, pp. 242–251, 2024, doi: 10.36341/rabit.v9i2.4789.
D. Ramadhani, A. M. Soleh, and Erfiani, "Machine Learning-Based Univariate Time Series Imputation Method for Estimating Missing Values in Non-Stationary Data," Jurnal Matematika, Statistika dan Komputasi, vol. 21, no. 1, pp. 307–320, 2024, doi: 10.20956/j.v21i1.36468.
M. R. A. Prasetya, A. M. Priyatno, and Nurhaeni, "Penanganan Imputasi Missing Values pada Data Time Series dengan Menggunakan Metode Data Mining," J. Inf. dan Teknol., vol. 5, no. 2, pp. 52–62, 2023, doi: 10.37034/jidt.v5i2.324.
A. Wangwongchai, M. Waqas, P. Dechpichai, P. Thandar, and S. Ahmad, "Imputation of Missing Daily Rainfall Data: A Comparison Between Artificial Intelligence and Statistical Techniques," MethodsX, vol. 11, p. 102459, 2023, doi: 10.1016/j.mex.2023.102459.
C. Li, X. Ren, and G. Zhao, "Machine-Learning-Based Imputation Method for Filling Missing Values in Ground Meteorological Observation Data," Algorithms, vol. 16, no. 9, p. 422, 2023, doi: 10.3390/a16090422..
A. Ostovar, D. D. Davari, and M. Dzikuć, "Determinants of Design with Multilayer Perceptron Neural Networks: A Comparison with Logistic Regression," Sustainability, vol. 17, no. 6, p. 2611, 2025, doi: 10.3390/su17062611.
Y. Zhou, M. R. Bouadjenek, and S. Aryal, "Developing Robust Methods to Handle Missing Data in Real-World Applications Effectively," arXiv:2502.19635, 2025.
A. Namdari and T. S. Durrani, "A Multilayer Feedforward Perceptron Model in Neural Networks for Predicting Stock Market Short-Term Trends," Oper. Res. Forum, pp. 1–30, 2021, doi: 10.1007/s43069-021-00071-2.
A. Barbu, "Training a Two-Layer ReLU Network Analytically," 2023.
I. Vajs, D. Drajic, N. Gligoric, I. Radovanovic, and I. Popovic, "Developing Relative Humidity and Temperature Corrections for Low-Cost Sensors Using Machine Learning," pp. 1–22, 2021.
I. Tri Handini, Y. Yulkifi, and Y. Darvina, "Rancang Bangun Sistem Pengukuran Tekanan Udara Menggunakan DT-Sense Barometric Pressure Berbasis Internet of Things dengan Display Smartphone," J. Teor. dan Apl. Fis., vol. 8, no. 1, pp. 1–10, 2020, doi: 10.23960/jtaf.v8i1.2257.
Z. Feng, M. Leong, M. Amirul, J. Chuah, and F. Zhang, "Impacts of Solar Radiation Modification on Temperature Extremes and Heatwaves in Southeast Asia," Weather Clim. Extrem., vol. 49, p. 100789, 2025, doi: 10.1016/j.wace.2025.100789.
S. Suciarti, M. R. T. Siregar, and A. Multi, "Estimasi Sensor Temperatur Udara Automatic Weather Station Menggunakan Algoritma Hybrid ARIMA-MLP," Sainstech J. Penelit. dan Pengkaj. Sains dan Teknol., vol. 33, no. 3, pp. 42–48, 2023, doi: 10.37277/stch.v33i3.1740.
S. R. Panji and A. Sofwan, "Prediksi Sensor Cuaca Menggunakan ANN Backpropagation: Studi Kasus Suhu, Kelembaban, dan Tekanan Udara," Sainstech J. Penelit. dan Pengkaj. Sains dan Teknol., vol. 35, no. 3, pp. 83–93, 2025, doi: 10.37277/stch.v35i3.2395.
E. Supriyadi, "Prediksi Parameter Cuaca Menggunakan Deep Learning Long-Short Term Memory (LSTM)," J. Meteorol. dan Geofis., vol. 21, no. 2, pp. 55–67, 2020, doi: 10.31172/jmg.v21i2.619.
D. Chicco, M. J. Warrens, and G. Jurman, "The Coefficient of Determination R-Squared Is More Informative than SMAPE, MAE, MAPE, MSE and RMSE in Regression Analysis Evaluation," PeerJ Comput. Sci., vol. 7, p. e623, 2021, doi: 10.7717/peerj-cs.623.
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
