Ramadan, Alhamdy and Nurfalinda, Nurfalinda and Berta Erwin, Slam (2026) PREDIKSI CURAH HUJAN DIKOTA TANJUNGPINANG MENGGUNAKAN ALGORITMA LSTM DAN GRU. S1 thesis, Universitas Maritim Raja Ali Haji.

	Text (COVER) Alhamdy_Ramadan_2101020046_Teknik_Informatika-COVER.pdf - Published Version Download (649kB)
	Text (Abstrak) Alhamdy_Ramadan_2101020046_Teknik_Informatika-Abstrak.pdf - Published Version Download (270kB)
	Text (BAB I) Alhamdy_Ramadan_2101020046_Teknik_Informatika-BAB I.pdf - Published Version Download (376kB)
	Text (Daftar Pustaka) Alhamdy_Ramadan_2101020046_Teknik_Informatika-Daftar Pustaka.pdf - Published Version Download (278kB)
	Text (Full Teks) Alhamdy_Ramadan_2101020046_Teknik_Informatika-Full Teks.pdf - Published Version Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Variabilitas iklim yang tinggi di Kota Tanjungpinang menyebabkan pola curah hujan menjadi sangat fluktuatif dan sulit diprediksi, di mana kondisi data meteorologi yang bersifat nonlinier dan penuh noise menjadi tantangan utama dalam membangun model prediksi yang representatif. Penelitian ini bertujuan untuk meningkatkan akurasi peramalan cuaca dengan menerapkan teknik preprocessing Simple Moving Average (SMA) guna mereduksi fluktuasi data ekstrem, serta membandingkan kinerja model Deep Learning berbasis Long Short Term Memory (LSTM), Gated Recurrent Unit (GRU), dan arsitektur Hybrid LSTM-GRU. Melalui serangkaian pengujian hiperparameter yang sistematis meliputi optimasi learning rate, ukuran batch, jumlah neuron, rentang timestep, dan durasi epoch, penelitian ini mengevaluasi dampak perataan data terhadap kemampuan model dalam menangkap pola tren cuaca. Hasil eksperimen menunjukkan perbedaan kinerja yang signifikan. Pada pengujian menggunakan data harian asli, model mengalami kesulitan menangkap pola dengan capaian error terbaik hanya pada Root Mean Square Error (RMSE) 5,4731 dan Mean Absolute Error (MAE) 3.8857, sedangkan penerapan metode SMA terbukti mampu meningkatkan stabilitas prediksi secara drastis. Model Hybrid LSTM-GRU dengan konfigurasi optimal menggunakan optimizer Adam (learning rate 0,001), batch size 32, kapasitas 64 neuron, timestep 30 hari, dan durasi pelatihan 100 epoch terbukti menjadi model paling unggul dibandingkan model tunggal. Model usulan ini mencatatkan nilai evaluasi error terendah dengan RMSE sebesar 1,5823 dan (MAE) sebesar 1,1973, yang membuktikan bahwa kombinasi strategi preprocessing data dan integrasi arsitektur Hybrid mampu menghasilkan sistem prediksi yang cukup baik untuk pemetaan curah hujan.

Actions (login required)

View Item