BMKG Stasiun Klimatologi Jawa Barat · WMO 96753

Prediksi Kecepatan
Angin Harian

Platform machine learning 5 algoritma AI untuk prediksi FF_AVG harian dari data observasi BMKG Jawa Barat. Linear Regression, ANN, LSTM, K-Means, dan Backpropagation.

Mulai Prediksi Komparasi Model

— m/s

1,958

Total Data Harian

5 Thn

Jan 2021 – Mei 2026

0.129

R² Best Model

Algoritma ML

Tren FF_AVG Historis

Kecepatan angin rata-rata harian (m/s)

━

FF_AVG (m/s) — kecepatan angin rata-rata harian yang diukur di Stasiun Klimatologi Jawa Barat (WMO 96753, 207 mdpl). Nilai ini menjadi variabel target (output) seluruh model prediksi.

╌╌

FF_X (m/s) — kecepatan angin maksimum harian. Digunakan sebagai fitur input model karena mencerminkan variabilitas angin pada hari yang sama.

Grafik menampilkan 60 hari terakhir dari dataset gabungan BMKG + ERA5. Pola dominan menunjukkan angin cenderung lebih kencang di bulan-bulan transisi (maret–mei dan september–november) seiring pergeseran massa udara monsun. Nilai FF_AVG berkisar antara — hingga — m/s pada rentang yang ditampilkan.

Prakiraan Cuaca

Data terkini (cache 1 jam)

Memuat data...

Perbandingan Model

Detail →

Linear Regression

R² -0.1851

RMSE 0.8685

⭐ Terbaik

ANN

R² 0.1292

RMSE 0.7445

RNN/LSTM

R² -0.2717

RMSE 0.9043

Backpropagation

R² 0.0207

RMSE 0.7895

Algoritma yang Digunakan

Linear Regression

Model baseline regresi linier untuk memodelkan hubungan linear antara fitur cuaca dan kecepatan angin.

ANN

Jaringan saraf tiruan multilayer Dense yang menangkap pola non-linier pada data tabular cuaca harian.

RNN/LSTM

Long Short-Term Memory untuk pemodelan sekuensial, memanfaatkan dependensi temporal data angin.

K-Means

Pengelompokan unsupervised: Angin Tenang, Ringan, Sedang, dan Kencang berdasarkan fitur angin.