Pengembangan Sistem Klasifikasi Awan Penghasil Hujan Berbasis Convolutional Neural Network (CNN)
Indonesia yang beriklim tropis menjadikan curah hujan sebagai parameter penting bagi berbagai sektor, sementara pemantauan atmosfer konvensional melalui radar dan satelit memerlukan biaya tinggi serta cakupan spasial yang tidak merata. Penelitian ini bertujuan mengembangkan sistem klasifikasi citra awan penghasil hujan berbasis Convolutional Neural Network (CNN) yang dapat diimplementasikan pada aplikasi web untuk membedakan kategori Rain dan Not_Rain. Penelitian ini membandingkan empat arsitektur CNN, yaitu Custom CNN, MobileNetV2, ResNet50, dan EfficientNetB0, menggunakan dataset gabungan dari SWIMCAT, TJNU Ground Cloud Dataset (TJNU GCD), dan data lokal hasil akuisisi mandiri di Kabupaten Tanah Datar. Metode penelitian bersifat kuantitatif dengan pendekatan eksperimen komputasional, melalui tahap perbandingan empat arsitektur, seleksi dua model terbaik, evaluasi mendalam menggunakan 5-Fold Cross Validation dan fine-tuning, hingga pelatihan model final. Hasil perbandingan tahap awal menunjukkan keempat model mencapai akurasi tinggi (97,17%–99,06%), namun evaluasi K-Fold Cross Validation mengungkapkan EfficientNetB0 lebih unggul dan stabil dibandingkan MobileNetV2. Pada pengujian akhir menggunakan data uji independen, model EfficientNetB0 memperoleh accuracy sebesar 97,01%, precision 97,06%, recall 97,01%, dan F1-Score 97,01%. Model final selanjutnya diimplementasikan ke dalam antarmuka web berbasis Flask yang dilengkapi fitur informasi edukatif jenis awan. Hasil studi kasus secara offline pada citra lapangan yang belum pernah dilihat model menunjukkan tingkat keberhasilan klasifikasi yang tinggi. Penelitian ini diharapkan menjadi alternatif solusi pemantauan potensi hujan yang ekonomis dan mudah diakses menggunakan perangkat sederhana seperti kamera smartphone.