HIDAYAD, MUHAMMAD and Ritha, Nola and Bettiza, Martaleli (2024) PERBANDINGAN METODE LONG SHORT TERM MEMORY (LSTM) DAN GATED RECURRENT UNIT (GRU) UNTUK PREDIKSI KECEPATAN ARUS LAUT (STUDI KASUS: BMKG TANJUNGPINANG). S1 thesis, Universitas Maritim Raja Ali Haji.

	Text (Cover) MUHAMMAD HIDAYAD_190155201068_TEKNIK INFORMATIKA - Cover.pdf - Published Version Download (453kB)
	Text (Abstrak) MUHAMMAD HIDAYAD_190155201068_TEKNIK INFORMATIKA - Abstrak.pdf - Published Version Download (158kB)
	Text (BAB I) MUHAMMAD HIDAYAD_190155201068_TEKNIK INFORMATIKA - BAB I.pdf - Published Version Download (168kB)
	Text (Daftar Pustaka) MUHAMMAD HIDAYAD_190155201068_TEKNIK INFORMATIKA - Daftar Pustaka.pdf - Published Version Download (223kB)
	Text (Full Text) MUHAMMAD HIDAYAD_190155201068_TEKNIK INFORMATIKA - Full Teks.pdf - Published Version Restricted to Repository staff only Download (2MB) | Request a copy

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.

Actions (login required)

View Item