PEMODELAN TIME SERIES UNTUK PERAMALAN SUHU UDARA MENGGUNAKAN METODE LONG SHORT TERM MEMORY (LSTM) (Studi Kasus: Stasiun Klimatologi Lampung)

LINDA , SUNDARI (2023) PEMODELAN TIME SERIES UNTUK PERAMALAN SUHU UDARA MENGGUNAKAN METODE LONG SHORT TERM MEMORY (LSTM) (Studi Kasus: Stasiun Klimatologi Lampung). FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM, UNIVERSITAS LAMPUNG.

Preview	File PDF 1. ABSTRAK-ABSTRACT.pdf Download (8Kb) | Preview
	File PDF 2. SKRIPSI FULL.pdf Restricted to Hanya staf Download (2434Kb) | Minta salinan
Preview	File PDF 3. SKRIPSI TANPA BAB PEMBAHASAN.pdf Download (1904Kb) | Preview

Abstrak (Berisi Bastraknya saja, Judul dan Nama Tidak Boleh di Masukan)

Peramalan merupakan ilmu yang mempelajari suatu peristiwa pada masa yang akan datang berdasarkan data historis yang berupa data time series. Data time series adalah data yang diambil berdasarkan urutan waktu ke waktu (data sekuensial). Analisis peramalan pada data time series dapat dilakukan dengan menggunakan metode Long Short Term Memory (LSTM). Metode ini mampu menyimpan informasi data masukan dalam waktu yang panjang berdasarkan informasi data pada masa lalu. Pada penelitian ini bertujuan untuk memodelkan data time series dan mengetahui performa LSTM dalam melakukan peramalan suhu udara. Pengujian akurasi terhadap model ini menggunakan nilai RMSE dan MAPE, dimana model yang memiliki nilai RMSE dan MAPE yang terkecil merupakan model yang terbaik. Model LSTM yang terbaik dalam peramalan suhu udara menggunakan 80% data training dan 20% data testing. Adapun model LSTM untuk peramalan Suhu Udara Minimum dibentuk dari 50 neuron hidden, 4 batch size, dan 50 epoch dengan nilai RMSE 0,89 dan MAPE sebesar 2,59%. Sedangkan model LSTM terbaik untuk peramalan Suhu Udara Maksimum dan Suhu Udara Rata-rata dibentuk dari 25 neuron hidden, 4 batch size, dan 50 epoch dengan nilai RMSE dan MAPE Suhu Udara maksimum sebesar 0,85 dan 2,32% serta Suhu Udara Rata-rata sebesar 0,88 dan 2,44%. Maka model LSTM ini sangat baik untuk peramalan Suhu Udara. Kata Kunci: Peramalan, Time Series, Long Short Term Memory (LSTM).

Jenis Karya Akhir:	Skripsi
Subyek:	500 ilmu pengetahuan alam dan matematika > 510 Matematika
Program Studi:	FAKULTAS MIPA > Prodi Matematika
Pengguna Deposit:	2301349436 . Digilib
Date Deposited:	20 Mar 2023 01:28
Terakhir diubah:	20 Mar 2023 01:28
URI:	http://digilib.unila.ac.id/id/eprint/70133

Actions (login required)

Lihat Karya Akhir