Putra, Satria Andika (2025) ANALISIS PERBADINGAN ALGORITMA LSTM DAN BILSTM DALAM PREDIKSI CUACA EKSTREM DI KALIMANTAN TENGAH. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.
![[img]](https://eprints.amikom.ac.id//style/images/fileicons/text.png) |
Text (COVER-ABSTRAK)
COVER.pdf Download (832kB) |
|
Text (BAB I)
BAB I.pdf Download (172kB) |
|
Text (BAB II)
BAB II.pdf Restricted to Registered users only Download (856kB) |
|
Text (BAB III)
BAB III.pdf Restricted to Registered users only Download (112kB) |
|
Text (BAB IV)
BAB IV.pdf Restricted to Registered users only Download (249kB) |
|
Text (BAB V)
BAB V.pdf Download (84kB) |
|
Text (DAFTAR PUSTAKA)
Daftar Pustaka.pdf Restricted to Registered users only Download (76kB) |
![[img]](https://eprints.amikom.ac.id//style/images/fileicons/archive.png) |
Archive (SOURCE CODE)
Sourcecode - 18.11.2423.zip Restricted to Repository staff only Download (1MB) |
|
Text (PUBLIKASI)
Publikasi.pdf Restricted to Repository staff only Download (991kB) |
Abstract
Penelitian ini membahas analisis perbandingan algoritma Long ShortTerm Memory (LSTM) dan Bidirectional Long Short-Term Memory (BiLSTM) dalam konteks prediksi cuaca ekstrem di Kalimantan Tengah. Dengan meningkatnya kejadian cuaca ekstrem seperti banjir dan kekeringan, pemanfaatan model berbasis kecerdasan buatan diperlukan untuk meningkatkan akurasi prediksi. Metode yang digunakan dalam penelitian ini melibatkan pengumpulan data cuaca historis dari BMKG, normalisasi data, serta pelatihan model dengan menggunakan algoritma LSTM dan BiLSTM. Evaluasi dilakukan menggunakan Mean Absolute Error (MAE) dan akurasi model, dengan parameter konfigurasi epoch 50 dan batch size 32. Hasil penelitian menunjukkan bahwa model BiLSTM memiliki performa lebih baik dibandingkan LSTM dengan akurasi 97,75% dan presisi 96,35%, sedangkan LSTM hanya mencapai akurasi 93,75% dan presisi 91,29%. Dengan tingkat kesalahan MAE yang lebih kecil, BiLSTM terbukti lebih efektif dalam memprediksi pola cuaca ekstrem. Hasil penelitian ini dapat digunakan sebagai dasar dalam pengembangan sistem mitigasi bencana berbasis kecerdasan buatan.
| Item Type: | Thesis (S1 - Sarjana) | ||
|---|---|---|---|
| Contributor: |
|
||
| Uncontrolled Keywords: | LSTM, BiLSTM, Prediksi Cuaca, Cuaca Ekstrem, Machine Learning | ||
| Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 004 Pemrosesan data dan ilmu komputer 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 006 Metode komputer khusus |
||
| Divisions: | Fakultas Ilmu Komputer > Informatika | ||
| Depositing User: | RC Universitas AMIKOM Yogyakarta | ||
| Date Deposited: | 25 Jun 2025 07:05 | ||
| Last Modified: | 25 Jun 2025 07:54 | ||
| URI: | http://eprints.amikom.ac.id/id/eprint/29942 |
Actions (login required)
 |
View Item |