ANALISIS POLA CURAH HUJAN MENGGUNAKAN LONG SHORT
TERM MEMORY DENGAN PENERAPAN MOVING AVERAGE UNTUK
PENANGANAN OUTLIER
Total View This Week0
Total View This Week0
Institusion
Universitas Pembangunan Nasional Veteran Yogyakarta
Author
Aji, Fridolin Barudo Ristrian
Subject
T Technology (General)
Datestamp
2025-03-06 02:50:33
Abstract :
Indonesia adalah negara yang secara geografis memiliki lokasi yang strategis. Letaknya berada di antara dua benua dan dua samudra. Posisi strategis ini, tepatnya di antara Samudra Hindia dan Samudra Pasifik, membuat Indonesia termasuk dalam 10 besar negara dengan curah hujan tertinggi di dunia. Menurut laporan World Bank (2020), rata-rata curah hujan tahunan di Indonesia mencapai 2.702 mm. Angka curah hujan yang tinggi ini menyebabkan Indonesia sering kali diterpa bencana alam. Bencana alam seperti tanah longsor, banjir bandang, dan banjir sudah menjadi bencana tahunan yang terjadi di Indonesia. Menurut BNPB tahun 2023 jumlah kejadian banjir, banjir bandang, dan tanah longsor di Indonesia tercatat sudah menyentuh angka 1,846 kasus. Analisis pola curah hujan dapat menjadi sumber informasi krusial yang dapat membantu meminimalisir dampak dari kejadian banjir, banjir bandang, dan tanah longsor. Penelitian ini bertujuan memanfaatkan moving average sebagai metode penanganan outlier pada model analisis pola curah hujan dengan metode LSTM. Penelitian ini melibatkan proses pengumpulan data dan preprocessing, serta pengujian terhadap arsitektur LSTM dengan penekanan pengujian pada epochs dan jumlah neuron pada layer LSTM. LSTM diterapkan untuk melakukan analisis terhadap pola curah hujan dimasa lalu. Pendekatan ini bertujuan untuk mengurangi dampak yang ditimbulkan dari suatu data outlier terhadap kinerja dari model LSTM dalam melakukan analisis pola curah hujan, sehingga hasil dari analisis dapat menjadi informasi yang berguna dalam menanggulangi dampak yang ditimbulkan dari curah hujan yang tinggi. Hasil dari penelitian ini didapatkan bahwa penerapan moving average sebagai metode penanganan outlier mampu mengurangi nilai RMSE dan MSE dari model LSTM, dengan perolehan masing ? masing sebesar 0.18327505086647702 dan 0.03358974427010974. Penelitian ini juga menemukan bahwa arsitektur terbaik didapat pada epochs 50 dan neuron 256, serta timesteps yang digunakan sebesar 5, dengan perolehan nilai RMSE dan MSE masing ? masing sebesar 0.1621429845855651 dan 0.026290347450314798. Dari hasil penelitian diatas disimpulkan bahwa metode moving average terbukti dapat mengurangi dampak dari outlier pada model analisis pola curah hujan dengan LSTM. Kata Kunci: Analisis Pola, Long Short-Term Memory, Curah Hujan, Moving Average
Indonesia adalah negara yang secara geografis memiliki lokasi yang strategis. Letaknya berada di antara dua benua dan dua samudra. Posisi strategis ini, tepatnya di antara Samudra Hindia dan Samudra Pasifik, membuat Indonesia termasuk dalam 10 besar negara dengan curah hujan tertinggi di dunia. Menurut laporan World Bank (2020), rata-rata curah hujan tahunan di Indonesia mencapai 2.702 mm. Angka curah hujan yang tinggi ini menyebabkan Indonesia sering kali diterpa bencana alam. Bencana alam seperti tanah longsor, banjir bandang, dan banjir sudah menjadi bencana tahunan yang terjadi di Indonesia. Menurut BNPB tahun 2023 jumlah kejadian banjir, banjir bandang, dan tanah longsor di Indonesia tercatat sudah menyentuh angka 1,846 kasus. Analisis pola curah hujan dapat menjadi sumber informasi krusial yang dapat membantu meminimalisir dampak dari kejadian banjir, banjir bandang, dan tanah longsor. Penelitian ini bertujuan memanfaatkan moving average sebagai metode penanganan outlier pada model analisis pola curah hujan dengan metode LSTM. Penelitian ini melibatkan proses pengumpulan data dan preprocessing, serta pengujian terhadap arsitektur LSTM dengan penekanan pengujian pada epochs dan jumlah neuron pada layer LSTM. LSTM diterapkan untuk melakukan analisis terhadap pola curah hujan dimasa lalu. Pendekatan ini bertujuan untuk mengurangi dampak yang ditimbulkan dari suatu data outlier terhadap kinerja dari model LSTM dalam melakukan analisis pola curah hujan, sehingga hasil dari analisis dapat menjadi informasi yang berguna dalam menanggulangi dampak yang ditimbulkan dari curah hujan yang tinggi. Hasil dari penelitian ini didapatkan bahwa penerapan moving average sebagai metode penanganan outlier mampu mengurangi nilai RMSE dan MSE dari model LSTM, dengan perolehan masing ? masing sebesar 0.18327505086647702 dan 0.03358974427010974. Penelitian ini juga menemukan bahwa arsitektur terbaik didapat pada epochs 50 dan neuron 256, serta timesteps yang digunakan sebesar 5, dengan perolehan nilai RMSE dan MSE masing ? masing sebesar 0.1621429845855651 dan 0.026290347450314798. Dari hasil penelitian diatas disimpulkan bahwa metode moving average terbukti dapat mengurangi dampak dari outlier pada model analisis pola curah hujan dengan LSTM. Kata Kunci: Analisis Pola, Long Short-Term Memory, Curah Hujan, Moving Average
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
