Electronic Theses and Dissertation
Universitas Syiah Kuala
THESES
METODE HYBRID LONG SHORT-TERM MEMORY (LSTM)- SUPPORT VECTOR REGRESSION (SVR) UNTUK MEMPREDIKSI PRECIPITABLE WATER DI KABUPATEN ACEH BESAR
Pengarang
Nurafni Fazriani - Personal Name;
Dosen Pembimbing
Rini Oktavia - 197010121995122002 - Dosen Pembimbing I
Tarmizi - 196407051991021001 - Dosen Pembimbing II
Nomor Pokok Mahasiswa
2308201010004
Fakultas & Prodi
Fakultas MIPA / Matematika (S2) / PDDIKTI : 44101
Subject
Kata Kunci
Penerbit
Banda Aceh : Program Studi Magister Matematika., 2026
Bahasa
No Classification
-
Literature Searching Service
Hard copy atau foto copy dari buku ini dapat diberikan dengan syarat ketentuan berlaku, jika berminat, silahkan hubungi via telegram (Chat Services LSS)
Penelitian ini bertujuan untuk mengembangkan model prediksi Precipitable Water (PW) harian di Kabupaten Aceh Besar menggunakan pendekatan hibrida Long Short-Term Memory (LSTM) dan Support Vector Regression (SVR). Model dibangun berdasarkan parameter meteorologi, seperti suhu udara, kelembapan relatif, tekanan udara, serta kecepatan dan arah angin. Hasil evaluasi menunjukkan bahwa model memiliki kinerja yang cukup baik dengan nilai RMSE sebesar 5,1608, MAE sebesar 3,6752, MAPE sebesar 6,47%, dan R² sebesar 0,4465. Model juga mampu melakukan peramalan nilai PW hingga tujuh hari ke depan dengan hasil prediksi berturut-turut sebesar 62,8850 mm (1 Januari 2025), 62,5459 mm (2 Januari 2025), 62,2718 mm (3 Januari 2025), 63,0930 mm (4 Januari 2025), 63,8910 mm (5 Januari 2025), 64,4764 mm (6 Januari 2025), dan 64,6224 mm (7 Januari 2025), yang menunjukkan pola peningkatan yang konsisten terhadap tren data. Penelitian ini menunjukkan bahwa pendekatan hibrida LSTM-SVR berpotensi diterapkan dalam prediksi parameter meteorologi dan mendukung sistem peringatan dini bencana hidrometeorologi
A hybrid Long Short-Term Memory (LSTM) and Support Vector Regression (SVR) model was developed to predict daily Precipitable Water (PW) in Aceh Besar Regency. The model was constructed using meteorological parameters, including air temperature, relative humidity, atmospheric pressure, wind speed, and wind direction. Model performance was evaluated using the Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), and coefficient of determination (R²). The evaluation results demonstrated satisfactory predictive performance, with an RMSE of 5.1608, an MAE of 3.6752, a MAPE of 6.47%, and an R² of 0.4465. The developed model successfully generated daily PW forecasts for the subsequent seven days, with predicted values of 62.8850 mm (January 1, 2025), 62.5459 mm (January 2, 2025), 62.2718 mm (January 3, 2025), 63.0930 mm (January 4, 2025), 63.8910 mm (January 5, 2025), 64.4764 mm (January 6, 2025), and 64.6224 mm (January 7, 2025). The forecast results exhibited a consistent increasing trend that closely followed the temporal pattern of the observed data. These findings indicate that the hybrid LSTM–SVR model provides a reliable approach for daily PW prediction and has considerable potential to support hydrometeorological disaster early warning systems.
PERBANDINGAN MODEL CNN, LSTM, DAN MODEL HYBRID CNN-LSTM DALAM PENDETEKSIAN SERANGAN SIBER PADA LALU LINTAS JARINGAN (Rizki Mulia, 2025)
IMPLEMENTASI KECERDASAN BUATAN RECURRENT NEURAL NETWORK (RNN) BERUPA LONG SHORT-TERM MEMORY (LSTM) UNTUK PERAMALAN HARGA SAHAM BANK CENTRAL ASIA (BCA) (RINALDY HIDAYAT, 2023)
PERBANDINGAN PERFORMA ARSITEKTUR LONG SHORT-TERM MEMORY (LSTM) DAN GATED RECURRENT UNIT (GRU) DALAM PREDIKSI CURAH HUJAN DI KECAMATAN INDRAPURI (Niswah Nasyithah, 2026)
PERAMALAN HARGA GULA PASIR DI KOTA BANDA ACEH MENGGUNAKAN METODE LONG SHORT-TERM MEMORY (LSTM) (MUHAMMAD ICHSAN HUSADA, 2025)
PERBANDINGAN PERFORMA ALGORITMA PERAMALAN LONG SHORT-TERM MEMORY (LSTM) DAN GATED RECURRENT UNIT (GRU) PADA DATA IKLIM DAN POLUTAN UDARA DI KOTA MEDAN (Mista lizar, 2024)