Sistem Prediksi Kecepatan Angin dan Tinggi Gelombang Sebagai Peringatan Dini Cuaca Buruk Menggunakan Metode Long Short-Term Memory Neural Network

Alfiansyah, Hannan Dhani (2024) Sistem Prediksi Kecepatan Angin dan Tinggi Gelombang Sebagai Peringatan Dini Cuaca Buruk Menggunakan Metode Long Short-Term Memory Neural Network. Diploma thesis, Intitut Teknologi Sepuluh Nopember.

Text 2040201099-Undergraduate_Thesis for D4 program.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (12MB) | Request a copy

Abstract

PT Patra Niaga PT Pertamina Patra Niaga Subholding Commercial & Trading Regional Jawa Bagian Tengah memiliki fasilitas Integrated Fuel Terminal dengan aset, salah satunya, adalah Single Point Mooring (SPM). Dalam pengoperasiannya, SPM sangat dipengaruhi oleh cuaca di laut sekitar. Cuaca buruk yang tidak terprediksi dapat mengakibatkan kecelakaan kerja hingga kerusakan aset. Perubahan cuaca yang tidak diperkirakan pernah menyebabkan kerusakan yang mengakibatkan kerusakan pada SPM. Oleh karena itu, perubahan cuaca lokal membutuhkan prediksi yang bersifat spesifik terhadap area tersebut untuk meramal luaran cuaca secara tepat dimasa depan. Prediksi kecepatan angin dan tinggi gelombang diajukan menggunakan metode Long Short Term Memory (LSTM). Pengujian Model LSTM dimulai dengan mendapatkan data cuaca dari sistem weather monitoring (WEMON) dan kemudian dilakukan preprocessing berupa exponential smooting. Pada tahap selanjutnya dilakukan sequence spiltting untuk membuat dataset pelatihan dan tes dengan teknik sliding windows. Model LSTM untuk memprediksi kecepatan angin dan tinggi gelombang dibuat menjadi 2 model yang berbeda. Model LSTM diuji dengan memberikan beberapa kombinasi fitur lalu kombinasi panjang data terdahulu yang disebut window. Pada tahap pengujian fitur, model LSTM untuk memprediksi tinggi gleombang memiliki akuruasi tertinggi dengan hanya menggunakan fitur tinggi gelombang saja dengan nilai MAE dan MSE sebesar 0.007150 dan 0.000246. Model LSTM untuk memprediksi kecepatan angin memiliki akurasi tertinggi dengan hanya menggunakan fitur kecepatan angin saja dengan nilai MAE dan MSE sebesar 0.763565 dan 1.444867. Pada tahap pengujian panjang data terdahulu atau wondow sebagai besar data set untuk pelatihan model. Model untuk memprediksi tinggi gelombang laut dan kecepatan angin memiliki akurasi tertinggi dengan memanfaatkan panjang data terkecil dari jumlah yang diuji yakni 120 timestamps atau 120 menit data terdahulu. Didapatkan performa terbaik dari model untuk memprediksi kecepatan angin dibandingkan dengan nilai MAE dan MSE sebesar 0.763565 dan 1.444867. Sedangkan model dengan keakuratan tertinggi untuk memprediksi tinggi gelombang laut didapatkan nilai MAE dan MSE sebesar 0.007150 dan 0.000246. pengujian parameter model LSTM dengan keakuratan tertinggi diterapkan dengan metode pembanding yaitu Gated Recurrent Unit (GRU) dan Recurrent Neural Network (RNN). Hasilnya adalah metode LSTM memiliki nilai MAE dan MAPE terendah dibandingkan dengan metode kompetitor.
=================================================================================================================================
PT Patra Niaga PT Pertamina Patra Niaga Subholding Commercial & Trading Regional Central Java has an Integrated Fuel Terminal facility with many assets, one of which is a Single Point Mooring (SPM). In its operation, SPM is greatly influenced by the weather in the surrounding sea. Unpredictable bad weather can cause work accidents to asset damage. Predicted weather changes once cause damage that results in damage to SPM. Therefore, local weather changes require predictions that are specific to the area to achieve accurate weather output in the future. Predictions of wind speed and wave height are made using the Long Short-Term Memory (LSTM) method. Testing the LSTM Model begins by obtaining weather data from the weather monitoring system (WEMON) and then preprocessing is carried out in the form of exponential smoothing. In the next stage, sequence splitting is carried out to create training and testing datasets using the sliding windows technique. The LSTM model for predicting wind speed and wave height is made into 2 different models. The models is tested by providing several combinations of features and then a combination of the length of previous data called a window. At the feature testing stage, the LSTM model for predicting wave height has the highest accuracy using only the high wave feature with MAE and MSE values of 0.007150 and 0.000246. The LSTM model for predicting wind speed has the highest accuracy using only the wind speed feature with MAE and MSE values of 0.763565 and 1.444867. At the testing stage, the length of previous data or amazing as a large data set for the training model. The model for predicting high sea waves and wind speed has the highest accuracy by utilizing the smallest data length of the amount tested, namely 120 timestamps or 120 minutes of previous data. The best performance of the model for predicting wind speed was obtained compared to the MAE and MSE values of 0.763565 and 1.444867. While the model with the highest accuracy for predicting sea wave height obtained MAE and MSE values of 0.007150 and 0.000246. Testing the parameters of the LSTM model with the highest accuracy is applied with the comparative method, namely Gated Recurrent Unit (GRU) and Recurrent Neural Network (RNN). The result is that the LSTM method has the lowest MAE and MSE values compared to competitor methods.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	LSTM, Sistem Peringatan Dini, Prediksi Cuaca, Tinggi Gelombang Laut, Kecepatan Angin, Early Warning System, Weather Forecasting, Sea Wave Height, Wind Speed.
Subjects:	T Technology > T Technology (General) > T174 Technological forecasting T Technology > T Technology (General) > T55 Industrial Safety V Naval Science > V Naval Science (General) V Naval Science > VC Naval Maintenance > VC 270-279 Equipment of vessels, supplier,allowances,etc
Divisions:	Faculty of Vocational > 36304-Automation Electronic Engineering
Depositing User:	Hannan Dhani Alfiansyah
Date Deposited:	30 Aug 2024 01:41
Last Modified:	30 Aug 2024 01:41
URI:	http://repository.its.ac.id/id/eprint/115570

Actions (login required)

View Item