DENISWARA, VAREL and Hayaty, Nurul and Efranda, Nolan (2026) PERBANDINGAN METODE RECURRENT NEURAL NETWORK (RNN) DAN LONG SHORT TERM MEMORI (LSTM) DALAM PREDIKSI GELOMBANG LAUT (Studi Kasus : Perairan Laut Natuna Utara). S1 thesis, Universitas Maritim Raja Ali Haji.

	Text (Cover) VAREL_DENISWARA_2101020118_Teknik_Informatika-Cover.pdf Download (896kB)
	Text (Abstrak) VAREL_DENISWARA_2101020118_Teknik_Informatika-Abstrak.pdf - Published Version Download (239kB)
	Text (BAB I) VAREL_DENISWARA_2101020118_Teknik_Informatika-BAB 1.pdf - Published Version Download (278kB)
	Text (Daftar Pustaka) VAREL_DENISWARA_2101020118_Teknik_Informatika-Daftar Pustaka.pdf - Published Version Download (248kB)
	Text (Full Teks) VAREL_DENISWARA_2101020118_Teknik_Informatika-Full Teks.pdf - Published Version Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Gelombang laut merupakan salah satu faktor penting yang mempengaruhi keselamatan pelayaran, aktivitas nelayan, serta berbagai kegiatan kemaritiman . Perubahan tinggi gelombang yang dipengaruhi oleh kondisi cuaca dan kecepatan angin menyebabkan perlunya sistem prediksi yang akurat. Penelitian ini bertujuan untuk membandingkan performa model Recurrent Neural Network (RNN) dan Long Short-Term Memory (LSTM) dalam memprediksi tinggi gelombang laut di Perairan Laut Natuna Utara. Data yang digunakan merupakan data time series yang diperoleh dari Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) periode 1 Januari 2023 hingga 31 Desember 2024 dengan jumlah 2.918 data. Variabel yang digunakan terdiri dari tinggi gelombang laut dan kecepatan angin setiap enam jam. Tahap penelitian meliputi preprocessing data, penanganan missing value, normalisasi Min-Max Scalling, pembagian data latih, validasi dan uji dengan rasio 80:10:10, pelatihan model, serta evaluasi menggunakan Root Mean Square Error (RMSE). Hasil penelitian menunjukkan bahwa kedua model mampu mempelajari pola temporal data gelombang laut dengan baik. Namun, model LSTM menghasilkan performa yang lebih baik dengan nilai RMSE sebesar 0,2098 dibanding model RNN yang memperoleh nilai RMSE sebesar 0,2200. Hasil tersebut menunjukkan bahwa LSTM lebih efektif dalam menangkap ketergantungan jangka panjang pada data deret waktu sehingga memberikan tingkat akurasi prediksi yang lebih tinggi dibanding RNN.

Actions (login required)

View Item