PERBANDINGAN MODEL PREDIKSI SUHU PERMUKAAN LAUT MENGGUNAKAN SMOOTHING DAN LONG SHORT-TERM MEMORY

Yulia Arsanti, - (2025) PERBANDINGAN MODEL PREDIKSI SUHU PERMUKAAN LAUT MENGGUNAKAN SMOOTHING DAN LONG SHORT-TERM MEMORY. S1 thesis, Universitas Pendidikan Indonesia.

Abstract

Sebagai negara kepulauan terbesar, Indonesia memiliki kekayaan maritim melimpah, termasuk Perairan Merak Banten, yang memiliki peran strategis dalam transportasi laut, perikanan, dan industri. Suhu permukaan laut (SPL) di wilayah ini memengaruhi ekosistem laut, produktivitas perikanan, serta perekonomian masyarakat. Penelitian sebelumnya umumnya menggunakan pendekatan statistik konvensional atau machine learning secara terpisah dalam memprediksi SPL, sehingga belum ada perbandingan langsung antara metode deep learning dan metode statistik dalam satu studi, sementara pengukuran SPL secara konvensional masih memiliki keterbatasan secara spasial dan temporal. Penelitian ini membandingkan performa model prediksi SPL dengan pendekatan deep learning menggunakan Long Short-Term Memory dan metode statistik smoothing eksponensial, yang belum diterapkan secara bersamaan dalam analisis SPL di Perairan Merak, Banten. Studi ini mengisi kesenjangan penelitian sebelumnya dengan mengevaluasi efektivitas kedua metode dalam memprediksi SPL. Data penelitian diperoleh dari citra satelit Aqua MODIS, yang memungkinkan analisis spasial lebih representatif. Dengan demikian, integrasi teknologi penginderaan jauh dan metode machine learning dalam model prediksi SPL diperlukan untuk meningkatkan akurasi dan efisiensi prediksi. Hasil penelitian menunjukkan bahwa model LSTM dengan parameter look_back 7 dan epoch 200 memberikan performa terbaik dengan nilai MAE 0,3798 dan RMSE 0,8970, sehingga lebih unggul dalam memprediksi pola jangka panjang. Sementara itu, smoothing eksponensial dengan damped trend True dan look_back 7 menghasilkan MAE 0,9052 dan RMSE 1,6771, lebih efektif untuk prediksi jangka pendek. Temuan ini menegaskan bahwa LSTM lebih akurat dalam menganalisis tren SPL jangka panjang, sedangkan smoothing eksponensial lebih sesuai untuk prediksi jangka pendek yang stabil, memberikan wawasan baru dalam pemilihan model prediksi SPL diperairan merak, banten. Kata Kunci: Long Short-Term Memory, Smoothing Eksponensial, Perairan Merak, Prediksi Suhu Permukaan Laut. As the largest archipelagic country, Indonesia has abundant maritime wealth, including the Merak Waters Banten, which have a strategic role in maritime transportation, fisheries and industry. Sea surface temperature (SST) in this region affects marine ecosystems, fisheries productivity and the community's economy. Previous research generally used conventional or statistical approaches machine learning separately in predicting SST, so there is no direct comparison between methods deep learning and statistical methods in one study, while conventional SST measurements still have spatial and temporal limitations. This research compares the performance of SST prediction models with approaches deep learning use Long Short-Term Memory and statistical methods exponential smoothing, which has not been applied simultaneously in the SST analysis in Merak Waters, Banten. This study fills the gap in previous research by evaluating the effectiveness of both methods in predicting SST. Research data was obtained from satellite imagery Water WAYS, which allows more representative spatial analysis. Thus, the integration of remote sensing technologies and methods machine learning in the SPL prediction model is needed to increase the accuracy and efficiency of predictions. The research results show that the LSTM model with parameters look_back 7 and epoch 200 provides the best performance with an MAE value of 0.3798 and an RMSE of 0.8970, making it superior in predicting long-term patterns. Meanwhile, exponential smoothing with damped trend True And look_back 7 produces an MAE of 0.9052 and an RMSE of 1.6771, more effective for short-term predictions. These findings confirm that LSTM is more accurate in analyzing long-term SST trends, whereas exponential smoothing more suitable for stable short-term predictions, providing new insights in selecting SST prediction models in Merak waters, Banten. Keywords: Long Short-Term Memory, Smoothing Eksponensial, Peacock Waters, Sea Surface Temperature Prediction.

	Text S_2104696_SIK_Title.pdf Download (1MB)
	Text S_2104696_SIK_Chapter 1.pdf Download (173kB)
	Text S_2104696_SIK_Chapter 2.pdf Restricted to Staf Perpustakaan Download (220kB)
	Text S_2104696_SIK_Chapter 3.pdf Download (186kB)
	Text S_2104696_SIK_Chapter 4.pdf Restricted to Staf Perpustakaan Download (263kB)
	Text S_2104696_SIK_Chapter 5.pdf Download (36kB)
	Text S_2104696_SIK_Appendix.pdf Restricted to Staf Perpustakaan Download (203kB)

Item Type:	Thesis (S1)
Additional Information:	https://scholar.google.com/citations?view_op=list_works&hl=en&user=ehDIcSEAAAAJ ID SINTA Dosen Pembimbing : La ode Alam Minsaris : 6760517 Willdan Aprizal Arifin : 6745746
Uncontrolled Keywords:	Penelitian ini membandingkan performa model prediksi SPL dengan pendekatan deep learning menggunakan Long Short-Term Memory dan metode statistik smoothing eksponensial, yang belum diterapkan secara bersamaan dalam analisis SPL di Perairan Merak, Banten.
Subjects:	L Education > L Education (General)
Divisions:	UPI Kampus Serang > S1 Sistem Informasi Kelautan
Depositing User:	Yulia Arsanti
Date Deposited:	24 Jun 2025 07:55
Last Modified:	24 Jun 2025 07:55
URI:	http://repository.upi.edu/id/eprint/132610

Actions (login required)

View Item