Perancangan Algoritma untuk Prediksi Angin di Teluk Berakit, Pulau Bintan Menggunakan Metode Long Short Term Memory (LSTM)

Abstract

Parameter angin merupakan parameter fisik yang memiliki berbagai macam peran aspek dalam kehidupan manusia. Teluk Berakit merupakan Teluk kecil yang terletak pada timur laut Pulau Bintan yang di nilai rentan terhadap fenomena-fenomena alam dan bencana alam. Penelitian ini di awali dengan konversi komponen angin, preprocessing, pengaplikasian algoritma, proses training, pembuatan grafik prediksi dan melakukan dua uji yaitu RMSE dan korelasi. Preprocessing dataset dilakukan dengan memberi perlakuan normalisasi pada dataset, Persiapan algoritma dilakukan dengan perancangan arsitektur dan penentuan nilai pada tiap hyperparameter. Waktu proses pembelajaran atau training algoritma ditempuh dengan waktu 5 hingga 24 menit. Nilai prediksi LSTM dibandingkan dengan data ECMWF 2020, dan didapatkan bahwa hasil prediksi mampu menyamai pola kecepatan angin pada lokasi penelitian. Pola yang terbentuk dinilai cukup sesuai dengan fenomena musim yang terjadi di Indonesia. Hasil menunjukkan bahwa arsitektur LSTM mampu mendapatkan nilai RMSE yang paling optimal yaitu 1,87, dengan penggunaan dua layer LSTM 256 units pada layer pertama dan 128 pada layer kedua. Akurasi korelasi yang didapatkan yaitu 39%. Algoritma LSTM dalam memprediksi angin dapat diaplikasikan juga pada daerah lain di Indonesia.

Wind is a physical parameters that has various roles in human life. Berakit Bay is a small bay located in the northeast of Bintan Island which is considered vulnerable to natural phenomena and natural disasters. This research begins with the conversion of wind components, preprocessing, application of algorithms, training process, making prediction graphs and conducting two tests, namely RMSE and correlation. Dataset preprocessing is done by giving normalization treatment to the dataset, Algorithm preparation is done by architectural design and determining the value for each hyperparameter. The learning or training process or algorithm training takes 5 to 24 minutes. The LSTM prediction value was compared with ECMWF 2020 data, and it was found that the prediction results were able to match the wind speed pattern at the study site. The pattern formed is considered quite in accordance with the seasonal phenomenon that occurs in Indonesia. The results show that the LSTM architecture is able to obtain the most optimal RMSE value of 1,87, with the use of two LSTM layers of 256 units in the first layer and 128 in the second layer. The correlation accuracy obtained is 39%. The LSTM algorithm in predicting wind can also be applied to other areas in Indonesia.