ANALISIS POLA CURAH HUJAN MENGGUNAKAN LONG SHORT TERM MEMORY DENGAN PENERAPAN MOVING AVERAGE UNTUK PENANGANAN OUTLIER

Aji, Fridolin Barudo Ristrian (2025) ANALISIS POLA CURAH HUJAN MENGGUNAKAN LONG SHORT TERM MEMORY DENGAN PENERAPAN MOVING AVERAGE UNTUK PENANGANAN OUTLIER. Other thesis, UPN Veteran Yogyakarta.

	Text ABSTRAK.pdf Download (98kB)
	Text DAFTAR ISI_removed.pdf Download (523kB)
	Text COVER_removed.pdf Download (488kB)
	Text DAFTAR PUSTAKA.pdf Download (124kB)
	Text Halaman pengesahan pembimbing.pdf Download (148kB)
	Text Halaman pengesahan penguji.pdf Download (177kB)
	Text SKRIPSI FULL_FRIDOLIN BARUDO RISTRIAN AJI_123200079.pdf Restricted to Repository staff only Download (1MB)

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

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Analisis Pola, Long Short-Term Memory, Curah Hujan, Moving Average
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	A.Md Sepfriend Ayu Kelana Giri
Date Deposited:	06 Mar 2025 02:50
Last Modified:	06 Mar 2025 02:50
URI:	http://eprints.upnyk.ac.id/id/eprint/42193

Actions (login required)

View Item