Alam carnegie, devid and Chairani, Chairani (2023) PERBANDINGAN LONG SHORT TERM MEMORY (LSTM) DAN GATED RECURRENT UNIT (GRU) UNTUK MEMPREDIKSI CURAH HUJAN. Masters thesis, Institut Informatika dan Bisnis Darmajaya.
![[img]](http://repo.darmajaya.ac.id/style/images/fileicons/text.png) |
Text
1.cover.pdf Download (26kB) |
|
Text
2. abstrak.pdf Download (10kB) |
|
Text
3. persetujuan dan pengesahan.pdf Download (302kB) |
|
Text
4. daftar isi.pdf Download (84kB) |
|
Text
5. bab 1.pdf Download (85kB) |
|
Text
6. bab 2.pdf Download (742kB) |
|
Text
7. bab 3.pdf Download (605kB) |
|
Text
8. bab 4.pdf Download (527kB) |
|
Text
9. bab 5.pdf Download (31kB) |
|
Text
10. daftar pustaka.pdf Download (144kB) |
|
Text
11. daftar lampiran.pdf Download (5kB) |
Abstract
Salah satu dampak ancaman yang diakibatkan oleh hujan lebat adalah banjir yang dapat memberikan dampak negatif terhadap kehidupan manusia. Banyak faktor yang menyebabkan hujan lebat sehingga prediksi intensitas curah hujan yang dikeluarkan oleh BMKG merupakan solusi awal untuk melakukan perencanaan dan tindakan dalam menanggulangi dampak bencana alam. Metode machine learning dapat digunakan untuk memprediksi parameter cuaca khususnya curah hujan yang bersifat time series, bagian dari machine learning yang dapat memahami sebuah pola dan mampu melakukan prediksi parameter cuaca dengan akurasi yang tinggi adalah deep learning, terdapat beberapa algoritma deep learning yang banyak digunakan untuk menganalisis dan memprediksi parameter cuaca yaitu Long Short Term Memory (LSTM) dan Gated Recurrent Unit (GRU). pada penelitian ini akan membandingkan kedua algoritma dan mengetahui manakah yang terbaik dalam melakukan prediksi curah hujan di Stasiun Geofisika Lampung Utara. Dari hasil penelitian evaluasi nilai RMSE 16.81, MSE 282.55 dan MAD 10.43 diketahui bahwa nilai model LSTM 1 dengan pembagian dataset 7:3 memiliki performa terbaik dalam memprediksi curah hujan sedangkan untuk prediksi terjadinya hujan model GRU 1 dengan dataset 7:3 memiliki performa terbaik dengan nilai akurasi 62%, precision 58%, recall 66%, dan f1score 62%.
| Item Type: | Thesis (Masters) |
|---|---|
| Subjects: | Ilmu Komputer eTheses |
| Divisions: | Pasca Sarjana > Magister Teknik Informatika |
| Depositing User: | Devid carnegie |
| Date Deposited: | 20 Sep 2024 01:16 |
| Last Modified: | 20 Sep 2024 01:16 |
| URI: | http://repo.darmajaya.ac.id/id/eprint/18476 |
Actions (login required)
 |
View Item |