Search for collections on Repository Universitas Maritim Raja Ali Haji

IMPLEMENTASI METODE CNN-LSTM UNTUK PREDIKSI TEMPERATUR MAKSIMUM DI KOTA TANJUNGPINANG

FIANI, MIA AL and Nurfalinda, Nurfalinda and Rathomi, Muhamad Radzi (2025) IMPLEMENTASI METODE CNN-LSTM UNTUK PREDIKSI TEMPERATUR MAKSIMUM DI KOTA TANJUNGPINANG. S1 thesis, Universitas Maritim Raja Ali Haji.

[img] Text (Cover)
MIA_AL_FIANI_2001020044_Teknik_Informatika - Cover.pdf - Published Version

Download (421kB)
[img] Text (Abstrak)
MIA_AL_FIANI_2001020044_Teknik_Informatika - Abstrak.pdf - Published Version

Download (117kB)
[img] Text (BAB I)
MIA_AL_FIANI_2001020044_Teknik_Informatika - BAB I.pdf - Published Version

Download (199kB)
[img] Text (Daftar Pustaka)
MIA_AL_FIANI_2001020044_Teknik_Informatika - Daftar Pustaka.pdf - Published Version

Download (198kB)
[img] Text (Full Teks)
MIA_AL_FIANI_2001020044_Teknik_Informatika - Full Teks.pdf - Published Version
Restricted to Repository staff only

Download (3MB) | Request a copy
Official URL: https://lib.umrah.ac.id/

Abstract

Suhu merupakan salah satu parameter penting dalam analisis iklim, karena berpengaruh langsung pada kehidupan manusia dan berbagai sektor, seperti pertanian, kesehatan, dan energi. Prediksi temperatur maksimum (Tx) menjadi penting, terutama untuk wilayah seperti kota Tanjungpinang. Penelitian ini bertujuan untuk mengevaluasi kinerja metode CNN-LSTM dalam memprediksi temperatur maksimum (Tx) dengan memanfaatkan kelembapan rata-rata (RH_avg) dan curah hujan (RR) sebagai variabel input. Data yang digunakan terdiri dari 912 data, yang dibagi menjadi 80% untuk pelatihan dan 20% utuk pengujian. Pendekatan CNN-LSTM mengombinasikan kemampuan CNN dalam mengekstraksi pola spasial, dengan keunggulan LSTM dalam menangkap hubungan temporal pada data deret waktu. Serangkaian eksperimen dilakukan dengan mengubah parameter model, termasuk jumlah filter CNN, ukuran kernel, unit LSTM, jumlah epoch, dan ukuran batch. Model terbaik diperoleh dengan konfigurasi filter CNN: 128, kernel size: 7, unit LSTM: 200, epoch: 120, dan batch size: 16. Model ini mencapai performa optimal dengan RMSE sebesar 1.65, dan MAPE sebesar 4.19%. Hasil penelitian ini menunjukkan bahwa pendekatan CNN-LSTM efektif dan akurat dalam memprediksi temperatur maksimum.

Item Type: Thesis (S1)
Contributors:
ContributionNameNIP / NIDN
UNSPECIFIEDNurfalinda, NurfalindaNIP.198401212019032013
UNSPECIFIEDRathomi, Muhamad RadziNIP.198903252019031014
Subjects: 000_umum > 000. Ilmu Umum dan Komputer > 006.3 Artificial Intelligence/Kecerdasan Buatan
Divisions: Fakultas Teknik > Program Studi Teknik Informatika
Depositing User: user Teknik Informatika
Date Deposited: 03 Feb 2025 02:22
Last Modified: 03 Feb 2025 04:14
URI: http://repositori.umrah.ac.id/id/eprint/8461

Actions (login required)

View Item View Item