LAKSONO, Seno Aji (2025) Otomatisasi Prediksi Tinggi Gelombang Laut Signifikan Menggunakan Algoritma Long Short Term Memory. Skripsi thesis, Universitas Jenderal Soedirman.

	PDF (COVER) COVER-Seno Aji Laksono-L1CO21083-Skripsi-2025.pdf Download (216kB)
	PDF (Legalitas) LEGALITAS-Seno Aji Laksono-L1C021083-Skripsi-2025.pdf Restricted to Repository staff only Download (485kB)
	PDF (ABSTRAK) ABSTRAK-Seno Aji Laksono-L1C021083-Skripsi-2025.pdf Download (260kB)
	PDF (BabI) BAB-I-Seno Aji Laksono-L1C021083-Skripsi-2025.pdf Restricted to Repository staff only Download (291kB)
	PDF (BabII) BAB-II-Seno Aji Laksono-L1C021083-Skripsi-2025.pdf Restricted to Repository staff only Download (318kB)
	PDF (BabIII) BAB-III-Seno Aji Laksono-L1C021083-Skripsi-2025.pdf Restricted to Repository staff only Download (706kB)
	PDF (BabIV) BAB-IV-Seno Aji Laksono-L1C021083-Skripsi-2025.pdf Restricted to Repository staff only Download (815kB)
	PDF (BabV) BAB-V-Seno Aji Laksono-L1C021083-Skripsi-2025.pdf Download (279kB)
	PDF (DaftarPustaka) DAFTAR PUSTAKA-Seno Aji Laksono-L1C021083-Skripsi-2025.pdf Download (230kB)
	PDF (Lampiran) LAMPIRAN-Seno Aji Laksono-L1C021083-Skripsi-2025.pdf Restricted to Repository staff only Download (1MB)

Abstract

Tinggi gelombang laut signifikan (Hs) merupakan indikator statistik yang menggambarkan rata-rata sepertiga gelombang tertinggi dalam suatu kurun waktu tertentu. Parameter ini sering dijadikan representasi kondisi umum permukaan laut karena lebih sesuai dengan persepsi visual manusia terhadap ketinggian gelombang. Pada bidang ilmu oseanografi, Hs memiliki peranan penting, terutama dalam mendukung keselamatan navigasi laut, perencanaan aktivitas lepas pantai, serta mitigasi potensi bencana maritim. Penelitian ini bertujuan untuk membangun sistem prediksi otomatis terhadap nilai Hs dengan memanfaatkan algoritma Long Short-Term Memory (LSTM), yang dikenal efektif dalam mengolah data time series. Data yang digunakan bersumber dari buoy di perairan lepas Laut Andaman, dengan resolusi data per jam. Model LSTM dikembangkan dengan menguji berbagai konfigurasi parameter seperti jumlah neuron, tingkat dropout, ukuran batch, dan panjang time step, untuk memperoleh performa model terbaik. Berdasarkan hasil eksperimen, kombinasi parameter optimal (unit 128, dropout 0,2, batch size 32, dan time step 168) menghasilkan koefisien determinasi (R²) sebesar 0,979 dan nilai Mean Absolute Percentage Error (MAPE) sebesar 3,9%. Hasil ini menunjukkan tingkat akurasi yang optimal, serta mengindikasikan kemampuan LSTM dalam mempelajari pola kompleks gelombang laut secara efektif. Model ini dapat dimanfaatkan dalam sistem prediksi gelombang laut untuk menunjang keputusan operasional di bidang kemaritiman.

Actions (login required)

View Item