digilib@itb.ac.id +62 812 2508 8800

PERBANDINGAN KINERJA MODEL MACHINE LEARNING UNTUK PERAMALAN SUHU PERMUKAAN LAUT DAN KEJADIAN MARINE HEATWAVES DI SOUTHEASTERN TROPICAL INDIAN OCEAN

393 views
Save At List
Penulis : Muhammad Izhar Muharam [12921067]
Kontributor / Dosen Pembimbing :
  • Ivonne Milichristi Radjawane, S.Si., M.Si., Ph.D.
Jenis Koleksi : Tugas Akhir
Tahun Terbit : 2025
Penerbit : Oseanografi
Fakultas : Fakultas Ilmu dan Teknologi Kebumian
Subjek :
Kata Kunci : Suhu Permukaan Laut (SPL), Marine Heatwaves (MHWs), SETIO, Machine Learning (ML), Random Forest (RF), Long-Short Term Memory (LSTM).
Sumber :
Staf Input/Edit : Rita Nurainni, S.I.Pus  
File : 1 file
Tanggal Input : 12 Agu 2025

ABSTRAK Muhammad Izhar Muharam
PUBLIC Open In Flipbook Rita Nurainni, S.I.Pus

Beberapa tahun ke belakang, intensitas pemanasan global karena terjadinya perubahan iklim di lautan semakin meningkat. Fenomena peningkatan suhu permukaan laut (SPL) atau yang sering disebut Marine Heatwaves (MHWs) menjadi semakin lama dan meningkat intensitasnya. Oleh karena itu, penelitian ini dilakukan untuk memprediksi SPL dan kejadian MHWs yang dapat mendukung berbagai kegiatan di perairan Southeastern Indian Ocean (SETIO). Pada penelitian ini, perairan SETIO dibagi menjadi 10 region dengan region 1, 2, 4, 5, dan 6 merupakan daerah pantai, sedangkan daerah lepas pantai terdiri dari daerah 3, 7, 8, 9, dan 10. Data utama yang digunakan berupa data SPL yang berasal dari data gabungan dari lapangan dan satelit, kemudian didukung dengan data variabel atmosferik yang diperoleh dari satelit. Data-data tersebut kemudian dilatih untuk membuat prediksi dengan dua model machine learning (ML), yaitu long-short term memory (LSTM) dan random forest (RF). Skema training data terdiri dari jangka waktu 10 tahun (1), 7 tahun (2) dan 5 tahun (3). Sedangkan skema testing dan validasi terdiri dari tahun 2010 (A), 2016 (B), 2020 (C), dan Januari- Maret 2025 (PRED). Dari hasil analisis diketahui bahwa variabel atmosferik yang paling berpengaruh adalah angin dan tekanan permukaan dengan hasil mutual information berturut-turut sebesar 0,15 dan 0,29. Nilai tersebut didukung dengan nilai korelasi Pearson berturut-turut sebesar -0,50 dan -0,60. Kedua variabel berkaitan dengan adveksi horizontal yang terjadi pada nIOD dan La Niña yang membuat MHWs lebih lama. Model RF memberikan prediksi SPL yang sangat baik dengan root mean squared error(RMSE) berkisar antara 0,06-0,32°C. Sedangkan model LSTM memberikan prediksi SPL dengan nilai RMSE berkisar antara 0,15-0,39°C. Model RF memberikan prediksi MHWs yang sangat baik dengan akurasi berkisar antara 0,83-0,98 dengan false positive rate (FPR) dan false negative rate (FNR) antara 0,01-0,31. Sementara LSTM memberikan nilai akurasi sebesar 0,68-0,93 dengan FPR dan FNR antara 0,07-0,36.

Artikel Terkait