Saputra, Arifian and Hayaty, Nurul and Ritha, Nola (2024) IMPLEMENTASI ATTENTION MECHANISM PADA ARSITEKTUR LONG SHORT-TERM MEMORY UNTUK PENINGKATAN AKURASI PREDIKSI CURAH HUJAN DI KOTA BATAM. S1 thesis, Universitas Maritim Raja Ali Haji.

	Text (Cover) Arifian_Saputra_2001020029_Teknik_Informatika - Cover.pdf - Published Version Download (404kB)
	Text (Abstrak) Arifian_Saputra_2001020029_Teknik_Informatika - Abstrak.pdf - Published Version Download (31kB)
	Text (BAB I) Arifian_Saputra_2001020029_Teknik_Informatika - BAB 1.pdf - Published Version Download (103kB)
	Text (Daftar Pustaka) Arifian_Saputra_2001020029_Teknik_Informatika - Daftar Pustaka.pdf - Published Version Download (101kB)
	Text Arifian_Saputra_2001020029_Teknik_Informatika - Full Teks.pdf - Published Version Restricted to Repository staff only Download (2MB)

Abstract

Musim hujan di Kota Batam memiliki dampak penting terhadap berbagai aspek kehidupan, seperti pertanian, ketahanan pangan, dan ketersediaan air bersih. Oleh karena itu, penting untuk dapat memprediksi pola curah hujan dengan akurasi tinggi, terutama dalam menghadapi perubahan cuaca yang semakin dinamis dan ekstrem. Penelitian ini bertujuan untuk mengetahui apakah lapisan Attention Mechanism pada algoritma Long Short-Term Memory (LSTM) dapat meningkatkan akurasi prediksi curah hujan harian menggunakan aplikasi website. LSTM dengan lapisan Attention Mechanism adalah algoritma LSTM yang ditambahkan dengan lapisan tambahan yaitu Attention untuk dapat melihat variasi input dan memberi perhatian khusus pada beberapa input. Hasil penelitian menunjukkan bahwa model LSTM dengan tambahan Attention menghasilkan prediksi terbaik dan mencetak nilai error metrics yang kompetitif dengan model LSTM tanpa Attention. Hasil terbaik menunjukkan nilai variabilitas (R²) sebesar 0.2986 dibandingkan LSTM reguler dengan nilai 0.2580, nilai MSE sebesar 0.0091 dibandingkan LSTM reguler dengan nilai 0.0097, nilai RMSE sebesar 0.0957 dibandingkan LSTM reguler dengan nilai 0.0985, dan nilai MAE yang sedikit di bawah LSTM reguler dengan nilai 0.0528 dibandingkan 0.0516 pada LSTM reguler. Persentase peningkatan akurasi berdasarkan nilai variabilitas adalah model LSTM dengan Attention mendapatkan peningkatan sebesar 15.74%, berdasarkan nilai MSE meningkat sebesar 6.19%, berdasarkan nilai RMSE meningkat sebesar 2.84%, dan menurut nilai MAE, menurun sebesar 2.33% yang menunjukkan bahwa metrics MAE kurang cocok untuk prediksi menggunakan model LSTM dengan Attention ini. Kesimpulan akhir adalah model LSTM dengan Attention memberikan peningkatan akurasi yang cukup signifikan terhadap prediksi curah hujan di Kota Batam.

Actions (login required)

View Item