| dc.description.abstract | Gelombang laut merupakan fenomena alam yang utamanya dibangkitkan oleh angin. Informasi mengenai tinggi dan periode gelombang sangat diperlukan dalam berbagai bidang perikanan dan kelautan seperti rekayasa pantai, upaya mitigasi bencana dan transportasi maritim. Karena informasi tinggi gelombang secara real-time sangat sulit didapatkan, informasi tinggi gelombang selama ini bersumber dari data prediksi. Beberapa pendekatan untuk memprediksi tinggi gelombang telah banyak dikembangkan, baik pendekatan empiris maupun pendekatan numerik, termasuk model generasi ketiga seperti Model Wave Modelling (WAM), Model Third Generation - Wave height, Water Depth and Current Hindcasting (WAVEWATCH-III), dan Model Simulating Wave Nearshore (SWAN), namun untuk memprediksi tinggi gelombang secara akurat masih menjadi tantangan selain karena komputasi yang mahal juga karena sifat stokastik gelombang laut itu sendiri. Model Long short Term Memory (LSTM) yang merupakan salah satu model deep learning telah banyak digunakan untuk prediksi tinggi gelombang. Di sisi lain, dibutuhkan aplikasi mengenai informasi tinggi gelombang yang dapat menghemat waktu komputasi dan menghasilkan prediksi yang akurat. Tujuan penelitian ini adalah mengembangkan model prediksi tinggi gelombang signifikan menggunakan algoritma LSTM dan membangun aplikasi untuk sistem informasi tinggi gelombang signifikan berbasis website.
Dataset yang digunakan berasal dari data The European Centre for Medium-Range Weather Forecast (ECMWF) Reanalysis 5-th Generation atau bisa disebut ERA5-ECMWF. Dataset yang digunakan berupa data tinggi gelombang signifikan yang berasal dari komponen angin zonal dan meridional (Hs(wind)) serta data tinggi gelombang signifikan (Hs(ERA5)). Data validasi yang digunakan merupakan data tinggi gelombang signifikan dari kecepatan angin yang diukur oleh instrumen Automatic Weather System (Hs(AWS)). Tahapan penelitian terdiri 5 tahapan, pertama yaitu konversi semua data angin menjadi data tinggi gelombang signifikan. Kedua yaitu preprocessing data dengan melakukan normalisasi data. Ketiga yaitu pembuatan model LSTM dengan menetapkan beberapa hyperparameter. Keempat adalah evaluasi kinerja Model LSTM menggunakan evaluation metrics koefisien korelasi (r), Root Mean Square Error (RMSE), Mean Absolute Error (MAE) dan Mean Absolute Percentage Error (MAPE). Tahapan terakhir yaitu pembuatan website dan implementasi model ke dalam website.
Hasil penelitian menunjukkan bahwa model LSTM yang dibangun mampu melakukan prediksi tinggi gelombang signifikan dengan tingkat akurasi yang tinggi. Hasil evaluasi model dataset Hs(wind) menunjukkan kesesuaian yang baik dengan data aktual dengan nilai r 0,998; RMSE 0,0065; MAE 0,042 dan MAPE 2,388. Hasil evaluasi model dataset Hs(ERA5) menunjukkan kesesuaian yang baik dengan data aktual dengan nilai r 0,989; RMSE 0,0237; MAE 0,0068 dan MAPE 1,870. Prediksi paling tinggi ditemukan untuk prediksi dalam 7 hari ke depan dan hasil dataset Hs(ERA5) menunjukkan kesesuaian yang lebih akurat dengan data Hs(AWS) dengan nilai r 0,344; RMSE 0,1535; MAE 0,1181 dan MAPE 37,11.
Implementasi pembuatan website untuk aplikasi informasi tinggi gelombang signifikan menerapkan teknologi Single Page Application (SPA) dan menggunakan bootsrap framework yang bertujuan untuk mengurangi beban kerja server, meminimalisir penggunaan sumber daya dan membuat tampilan dinamis. Hasil tampilan website yang dibuat berupa 3 bagian utama yaitu header, body dan footer. Pada bagian body yang merupakan informasi utama website terdapat menu Home, menu Tabel, menu Grafik dan menu Lokasi Penelitian. | |
