PERBANDINGAN METODE LONG SHORT TERM MEMORY
(LSTM) DAN GATED RECURRENT UNIT (GRU) UNTUK PREDIKSI KECEPATAN ARUS LAUT (STUDI KASUS: BMKG TANJUNGPINANG)
Total View This Week0
Total View This Week0
Institusion
Universitas Maritim Raja Ali Haji
Author
HIDAYAD, MUHAMMAD
Ritha, Nola
Bettiza, Martaleli
Ritha, Nola
Bettiza, Martaleli
Subject
620.006 Management of Engineering/Manajemen Teknik
Datestamp
2024-08-06 02:52:47
Abstract :
Tujuan dari penelitian ini untuk mengetahui hasil prediksi kecepatan arus laut di wilayah Tanjungpinang dengan menggunakan metode Long Short Term Memory (LSTM) dan Gated Recurrent Unit (GRU), serta untuk membandingkan hasil dari kedua metode tersebut. Penelitian menggunakan 360 data kecepatan arus laut di wilayah Tanjungpinang dengan periode 2 Januari 2022 sampai 31 Desember 2022 menggunakan satuan cm/s. Pada tahap ini, dilakukan penentuan model berdasarkan parameter-parameter yang telah dipilih. Data tersebut terbagi menjadi dua bagian: data uji dan data latih. Pembagian data ini adalah 70:30, dengan 70% atau 254 data berfungsi sebagai data latih dan 30% atau 110 data berfungsi sebagai data uji. Metode LSTM dengan parameter terbaik menggunakan konfigurasi 100 neuron hidden dan 300 epoch menghasilkan RMSE 5.57 dan MAPE 30.50%. Untuk metode GRU dengan konfigurasi yang sama 100 neuron hidden dan 300 epoch menghasilkan performa terbaik dengan nilai RMSE terendah sebesar 5.55 dan nilai MAPE terendah sebesar 29.60%. Jadi metode GRU terbukti menjadi yang terbaik untuk memprediksi kecepatan arus laut di wilayah Tanjungpinang karena memiliki tingkat error yang lebih kecil.
Tujuan dari penelitian ini untuk mengetahui hasil prediksi kecepatan arus laut di wilayah Tanjungpinang dengan menggunakan metode Long Short Term Memory (LSTM) dan Gated Recurrent Unit (GRU), serta untuk membandingkan hasil dari kedua metode tersebut. Penelitian menggunakan 360 data kecepatan arus laut di wilayah Tanjungpinang dengan periode 2 Januari 2022 sampai 31 Desember 2022 menggunakan satuan cm/s. Pada tahap ini, dilakukan penentuan model berdasarkan parameter-parameter yang telah dipilih. Data tersebut terbagi menjadi dua bagian: data uji dan data latih. Pembagian data ini adalah 70:30, dengan 70% atau 254 data berfungsi sebagai data latih dan 30% atau 110 data berfungsi sebagai data uji. Metode LSTM dengan parameter terbaik menggunakan konfigurasi 100 neuron hidden dan 300 epoch menghasilkan RMSE 5.57 dan MAPE 30.50%. Untuk metode GRU dengan konfigurasi yang sama 100 neuron hidden dan 300 epoch menghasilkan performa terbaik dengan nilai RMSE terendah sebesar 5.55 dan nilai MAPE terendah sebesar 29.60%. Jadi metode GRU terbukti menjadi yang terbaik untuk memprediksi kecepatan arus laut di wilayah Tanjungpinang karena memiliki tingkat error yang lebih kecil.
File :
MUHAMMAD HIDAYAD_190155201068_TEKNIK INFORMATIKA - Cover.pdf
MUHAMMAD HIDAYAD_190155201068_TEKNIK INFORMATIKA - Abstrak.pdf
MUHAMMAD HIDAYAD_190155201068_TEKNIK INFORMATIKA - BAB I.pdf
MUHAMMAD HIDAYAD_190155201068_TEKNIK INFORMATIKA - Daftar Pustaka.pdf
MUHAMMAD HIDAYAD_190155201068_TEKNIK INFORMATIKA - Full Teks.pdf
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
