Prediksi Nilai Anomali Suhu Permukaan Laut Pada Area Nino 3.4 Menggunakan Metode Recurrent Neural Network Long Short-Term Memory

Adrian, Taufan Yuri (2019) Prediksi Nilai Anomali Suhu Permukaan Laut Pada Area Nino 3.4 Menggunakan Metode Recurrent Neural Network Long Short-Term Memory. Sarjana thesis, Universitas Brawijaya.

Abstract

Memprediksi Nilai Anomali Suhu Permukaan Laut (Sst) Di Wilayah Nino Telah Dilakukan Oleh Berbagai Institusi, Karena Fenomena El Niflo Southern Oscillation (Enso) Yang Terjadi Pada Area Terssebut Menciptakan Dampak Besar Pada Kecepatan Dan Kekuatan Arus Laut, Kesehatan Perikanan Pesisir, Dan Cuaca Lokal Dari Australia Ke Amerika Selatan Dan Sekitarnya. Perubahan Nilai Anomali Spl Di Wilayah Nino Menyebabkan Hampir Setengah Dari Fenomena Tersebut. Dalam Penelitian Ini, Penulis Mengusulkan Untuk Menggunakan Model Ann Yang Recurrent Neural Network -Long Short-Term Memory (Rnn-Lstm) Untuk Memprediksi Nilai Anomali Spl Di Masa Yang Akan Datang Di Wilayah Nino Khususnya Nino 3.4. Lstm Adalah Rnn Versi Lebih Kompleks, Yang Memperkenalkan Mekanisme Forget Gateke Vanilla Rnn Untuk Mencegah Masalah Vanishing Gradient. Lstm Memiliki Kemampuan Yang Kuat Untuk Memodelkan Hubungan Temporal Data Deret Waktu Dan Dapat Menangani Masalah Long Term Dependencies. Dalam Arsitektur, Model Rnn-Lstm Ini Menggunakan 2 Hidden Layer Lstm Yang Terdiri Dari 50 Lstm Neuron Di Setiap Lapisannya. Tanh Digunakan Sebagai Activation Function. Mean Square Error Digunakan Sebagai Loss Function. Adam Dan Adagrad Optimizer Digunakan Sebagai Optimisasi. Riset Ini Mengeksplorasi Pengaturan Optimal Dari Arsitektur Ini Dengan Eksperimen Dan Melihat Root Mean Square Error Dari Wilayah Nino 3.4 Dengan Membandingkan Dengan Nilai Anomali Yang Telah Terjadi Untuk Mengkonfirmasi Keefektifan Metode Yang Diusulkan

English Abstract

Predicting The Anomaly Sea Surface Temperature (Sst) Value In Nino Region Has Been Done By Many Institution, Because Of The Phenomenon El Niflo Southern Oscillation (Enso) Creates Massive Impact On The Speed And Strength Of Ocean Currents, The Health Of Coastal Fisheries, And Local Weather From Australia To South America And Beyond. The Changes Of Anomaly Sst Value In Nino Region Is Takes Almost Half The Phenomenon.In This Research, The Authorsproposed To Use Ann Model Called Recurrent Neural Network -Long Short-Term Memory (Rnn-Lstm) To Predict Future Anomaly Sst Value In Nino Region Specifically Nino 3.4. Lstm Is A More Advance Version Of Recurrent Neural Network, Which Introduces Forget Gate Mechanism Intovanilla Rnn Toprevent Thevanishinggradient Problem. It Has Strong Ability To Model The Temporal Relationship Of Time Series Data And Can Handle The Long-Term Dependency Problem. In The Architecture, Thisrnn- L Stm Model Used 2 Hidden Layer Lstm Consisting O F 50lstm Neurons In Each Layer. Tanh Was Used As The Activation Function. Mean Square Error Was Used As The Loss Function. Adam And Adagrad Optimizer Was Used As The Optimization. This Project Explore The Optimal Setting Of This Architecture By Experiments And Report The Root Mean Square Error Of Nino 3.4 Region Bycompared Withits Actual Value To Confirm The Effectiveness Of The Proposed Method

Other obstract

-

Item Type: Thesis (Sarjana)
Identification Number: SKR/MIPA/2019/270/051911050
Uncontrolled Keywords: Prediksi, Nino, Nino 3.4, Suhu Permukaan Laut, Sea Surface Temperature, Recurrent Neural Network, Long Short-Term Memory
Subjects: 500 Natural sciences and mathematics > 518 Numerical analysis > 518.5 Numerical approximation
Divisions: Fakultas Matematika dan Ilmu Pengetahuan Alam > Fisika
Depositing User: Budi Wahyono Wahyono
Date Deposited: 10 Aug 2020 08:01
Last Modified: 10 Aug 2020 08:01
URI: http://repository.ub.ac.id/id/eprint/179647
Full text not available from this repository.

Actions (login required)

View Item View Item