PREDIKSI KETINGGIAN PASANG SURUT AIR LAUT PERAIRAN BINTAN TIMUR MENGGUNAKAN ALGORITMA RESIDUAL LONG SHORT-TERM MEMORY
Total View This Week0
Total View This Week0
Institusion
Universitas Maritim Raja Ali Haji
Author
SYAKTI, AGSANSHINA RAKA
Ritha, Nola
Bettiza, Martaleli
Ritha, Nola
Bettiza, Martaleli
Subject
006.3 Artificial Intelligence/Kecerdasan Buatan
Datestamp
2024-01-26 03:37:41
Abstract :
Laut memberikan banyak manfaat kepada Masyarakat, terutama pada negara maritim seperti Indonesia, dan potensi yang bisa dicapai di berbagai sektor hanya terbatasi oleh keinginan sebuah pihak untuk berinvestasi di bidang ini. Dengan menggunakan algoritma Residual Long Short-Term Memory (LSTM), penelitian ini akan memprediksi ketinggian pasang surut di pulau Bintan. Dataset didapatkan dari dua titik sensor di pesisir Bintan Timur dari Juli 2018 hingga Juni 2019 selama satu tahun, dengan total sebanyak 7.961 titik data. Model Residual LSTM terdiri dari sebuah residual wrapper dengan dua lapis LSTM berturut-turut dan satu lapis dense. Model ini juga dibandingkan dengan beberapa variasi model LSTM dan Recurrent Neural Network (RNN). Hasil akhir model Residual LSTM memiliki nilai Mean Absolute Error (MAE) sebesar 0,1495 cm dan nilai Root Mean Squared Error (RMSE) sebesar 0,3353 cm, dibandingkan dengan nilai dari model baseline sebesar masing-masing 1,1148 cm dan 1,4107 cm. Model ini juga memiliki peningkatan nilai RMSE sebesar 76,23% dibandingkan dengan model baseline.
Laut memberikan banyak manfaat kepada Masyarakat, terutama pada negara maritim seperti Indonesia, dan potensi yang bisa dicapai di berbagai sektor hanya terbatasi oleh keinginan sebuah pihak untuk berinvestasi di bidang ini. Dengan menggunakan algoritma Residual Long Short-Term Memory (LSTM), penelitian ini akan memprediksi ketinggian pasang surut di pulau Bintan. Dataset didapatkan dari dua titik sensor di pesisir Bintan Timur dari Juli 2018 hingga Juni 2019 selama satu tahun, dengan total sebanyak 7.961 titik data. Model Residual LSTM terdiri dari sebuah residual wrapper dengan dua lapis LSTM berturut-turut dan satu lapis dense. Model ini juga dibandingkan dengan beberapa variasi model LSTM dan Recurrent Neural Network (RNN). Hasil akhir model Residual LSTM memiliki nilai Mean Absolute Error (MAE) sebesar 0,1495 cm dan nilai Root Mean Squared Error (RMSE) sebesar 0,3353 cm, dibandingkan dengan nilai dari model baseline sebesar masing-masing 1,1148 cm dan 1,4107 cm. Model ini juga memiliki peningkatan nilai RMSE sebesar 76,23% dibandingkan dengan model baseline.
File :
AGSANSHINA RAKA SYAKTI_2001020050_Teknik Informatika - Cover.pdf
AGSANSHINA RAKA SYAKTI_2001020050_Teknik Informatika - Abstrak.pdf
AGSANSHINA RAKA SYAKTI_2001020050_Teknik Informatika - BAB 1.pdf
AGSANSHINA RAKA SYAKTI_2001020050_Teknik Informatika - Daftar Pustaka.pdf
AGSANSHINA RAKA SYAKTI_2001020050_Teknik Informatika - Full Teks.pdf
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
