Pendekatan Prediktif Data Kelautan Kombinasi Long Short Term Memory, Algoritma Genetika dan Particle Swarm Optimization

Abstract

Beberapa dekade terakhir, kebutuhan akan sistem prediktif yang akurat terhadap data kelautan mengalami peningkatan signifikan seiring dengan kompleksitas fenomena oseanografi yang bersifat dinamis, nonlinier, dan tidak stasioner. Kemajuan teknologi kecerdasan buatan, khususnya deep learning, telah mendorong pengembangan berbagai metode prediktif, salah satunya adalah Long Short-Term Memory (LSTM), sebuah jenis Recurrent Neural Network (RNN) yang efektif dalam memodelkan data kelautan yang komplek dan tidak stasioner. Performa LSTM sangat bergantung pada pemilihan parameter model yang optimal. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model prediktif berbasis LSTM yang dioptimalkan menggunakan Genetic Algorithm (GA) dan Particle Swarm Optimization (PSO), guna meningkatkan akurasi dan efisiensi prediksi data kelautan. Kombinasi algoritma ini memanfaatkan kekuatan eksplorasi GA melalui mekanisme evolusi, serta kemampuan PSO dalam mencapai konvergensi cepat melalui interaksi antar partikel solusi. Model dikembangkan untuk memprediksi parameter penting oseanografi seperti suhu permukaan laut (SST), salinitas, elevasi/tinggi muka laut (SSH), dan konsentrasi klorofil-a (Chl-a), berdasarkan data time-series periode 2014–2018 dari 188 titik pengamatan di wilayah Laut Banda. Metodologi penelitian mencakup enam tahapan utama: pengumpulan dan praproses data historis, analisis korelasi antarparameter menggunakan Pearson Correlation, transformasi data deret waktu, pemodelan LSTM, optimasi hiperparameter dengan GA dan PSO, serta evaluasi performa model menggunakan metrik Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), dan koefisien determinasi (R²). Hasil eksperimen menunjukkan bahwa model LSTM mampu memprediksi dengan cukup baik, namun setelah dioptimasi menggunakan GA dan PSO, terjadi peningkatan signifikan dalam akurasi. Sebagai contoh, untuk parameter salinitas, nilai RMSE turun dari 0,1096 pada LSTM menjadi 0,0196 pada model hibrida LSTM-GA-PSO, sementara MAE mencapai nilai serendah 0,0023 dengan R2 sebesar 0,276. Model hibrida ini tidak hanya unggul dalam akurasi, tetapi juga menunjukkan kemampuan adaptif yang kuat terhadap fluktuasi musiman dan variabilitas spasial tinggi. Meskipun demikian, tantangan masih terdapat pada prediksi parameter Chl-a yang mencerminkan kompleksitas dinamika biotik laut. Temuan ini memberikan kontribusi metodologis penting dalam integrasi deep learning dan algoritma optimasi evolusioner untuk pemodelan data kelautan. Penelitian ini menawarkan kontribusi signifikan melalui pendekatan baru yang menggabungkan deep learning (LSTM) dengan optimasi parameter menggunakan GA dan PSO membuktikan keunggulan dalam meningkatkan ketepatan dan efisiensi prediksi data kelautan. Implikasi dari temuan ini mencakup inovasi dalam pengolahan data kelautan dengan menggabungkan teknik pembelajaran mesin dan optimasi, model divalidasi secara empiris melalui evaluasi berbasis data observasi untuk mengukur akurasi dan ketahanannya.