SYI'ARUDDIN, SYI'ARUDDIN and Nurfalinda, Nurfalinda and Feri, Irawan (2026) METODE MACHINE LEARNING BERBASIS XGBOOST UNTUK MEMPREDIKSI TINGGI GELOMBANG LAUT DI PERAIRAN KOTA TANJUNGPINANG. S1 thesis, Universitas Maritim Raja Ali Haji.

	Text (COVER) SYI'ARUDDIN_2101020086_TEKNIK_INFORMATIKA - COVER.pdf - Published Version Download (997kB)
	Text (ABSTRAK) SYI'ARUDDIN_2101020086_TEKNIK_INFORMATIKA - ABSTRAK.pdf - Published Version Download (182kB)
	Text (BAB 1) SYI'ARUDDIN_2101020086_TEKNIK_INFORMATIKA - BAB 1.pdf - Published Version Download (125kB)
	Text (DAFTAR PUSTAKA) SYI'ARUDDIN_2101020086_TEKNIK_INFORMATIKA - DAFTAR PUSTAKA.pdf - Published Version Download (180kB)
	Text (FULL TEXT) SYI'ARUDDIN_2101020086_TEKNIK_INFORMATIKA - FULL TEXT.pdf Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

SYI’ARUDDIN. Metode Machine Learning Berbasis XGBoost Untuk Memprediksi Tinggi Gelombang Laut di Perairan Kota Tanjungpinang. Dibimbing NURFALINDA dan FERI IRAWAN. Gelombang laut merupakan salah satu elemen oseanografi yang berperan penting dalam aktivitas maritim, khususnya di wilayah pesisir seperti Kota Tanjungpinang. Kondisi tinggi gelombang yang berubah secara dinamis dapat memengaruhi keselamatan pelayaran, kegiatan nelayan, serta kelancaran transportasi laut, sehingga diperlukan sistem prediksi yang akurat dan mudah diakses. Penelitian ini bertujuan untuk memprediksi tinggi gelombang laut di perairan Kota Tanjungpinang menggunakan metode machine learning berbasis Extreme Gradient Boosting (XGBoost). Data tinggi gelombang yang digunakan merupakan data observasi tahun 2023 hingga 2024 dengan interval waktu tertentu. Proses penelitian meliputi pembersihan data, transformasi tanggal dan waktu menjadi fitur time series, pemilihan variabel prediktor, serta pembagian data menggunakan metode time-series split dengan komposisi 80% data latih dan 20% data uji. Model XGBoost dilatih menggunakan parameter dasar dan dievaluasi menggunakan Root Mean Squared Error (RMSE) dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa model mampu memprediksi tinggi gelombang dengan baik, menghasilkan nilai RMSE sebesar 0,1359 meter dan MAPE sebesar 8,55%. Grafik perbandingan antara data aktual dan prediksi menunjukkan bahwa model mengikuti pola gelombang stabil dengan akurat, meskipun kurang responsif terhadap fluktuasi ekstrem yang terjadi pada akhir tahun. Secara keseluruhan, XGBoost efektif digunakan untuk memprediksi tinggi gelombang laut di Tanjungpinang dan berpotensi mendukung pengambilan keputusan di bidang kemaritiman. Kata Kunci: Prediksi gelombang laut, XGBoost, Time Series, Machine Learning, Tanjungpinang.

Actions (login required)

View Item