Perpustakaan Digital ITB

Informasi tinggi gelombang laut sangat diperlukan untuk menunjang aktivitas pelayaran, instalasi mooring, industri akuakultur, dan informasi kestabilan produksi energi terbarukan dari gelombang laut. Penelitian ini menggunakan model machine learning long-short term memory (LSTM) untuk prediksi tinggi gelombang signifikan (????????) dengan dua skenario input, yakni (1) ???????? dan (2) ???????? dan kecepatan angin. Model LSTM digunakan untuk memprediksi ???????? di beberapa kondisi Perairan Indonesia yang berbeda, yakni daerah selat (Perairan Belawan), dekat pantai (Pantai Karawang), laut terbuka (Pantai Baron), dan inner sea (Perairan Masalembo). Data historis digunakan untuk melakukan prediksi skema model single-step dan multi-step hingga 12 jam yang akan datang. Pada penelitian ini ditemukan bahwa nilai Pearson correlation coefficient (????????) antara data input dapat memengaruhi performa model. Hasil prediksi ???????? di Pantai Karawang pada kedua skema model memperoleh hasil yang lebih baik ketika menggunakan skenario input ???????? dan kecepatan angin dengan perubahan root mean square error (RMSE) sebesar 38,32% untuk skema model single-step dan 0,90% untuk skema model multi-step. Nilai ???????? antara data input di Perairan Karawang diketahui sebesar 0,61. Sementara di Perairan Belawan, Baron, dan Masalembo berlaku sebaliknya, performa model menurun ketika menggunakan input ???????? dan kecepatan angin dengan perubahan nilai RMSE sebesar 64,38%, 21,90%, dan 12,52% untuk skema model single-step dan 11,03%, 2,11%, dan 2,50% untuk skema model multistep. Nilai ???????? antara data input di Perairan Belawan, Baron, dan Masalembo secara berturut-turut sebesar -0,09, 0,05, dan 0,29. Pada penelitian ini juga ditemukan bahwa panjang data dapat memengaruhi performa model. Terdapat peningkatan performa model pada skema single-step dan multi-step dengan perubahan RMSE masing-masing sebesar 15,18% hingga 68,29% dan 2,32% hingga 16,55%.