Optimasi Prediksi Kecepatan Angin Harian dengan Jaringan Saraf Tiruan

Muhammad Imamul Khoiri, Sri Harini, Achmad Nashichuddin

Abstract


Penelitian ini memodelkan kecepatan angin harian pada jalur penyeberangan Gresik--Bawean periode Desember 2020 hingga November 2023 menggunakan Jaringan Saraf Tiruan (JST) dengan algoritma backpropagation. Data yang digunakan meliputi kecepatan angin, tinggi gelombang rata-rata, panjang gelombang, periode gelombang, dan tinggi maksimum gelombang. Model dievaluasi dengan skema \textit{walk-forward validation} dan dibandingkan dengan model baseline seperti \textit{persistence} dan SARIMA. Kinerja diukur menggunakan metrik MAE, RMSE, sMAPE, dan MASE dengan interval kepercayaan bootstrap, serta pengujian signifikansi menggunakan uji Diebold--Mariano. Hasil menunjukkan bahwa arsitektur terbaik JST (5--3--2--1) mampu menurunkan RMSE secara signifikan dibandingkan baseline (p $<$ 0.05), dengan nilai MAE sebesar 1.87, RMSE 2.41, sMAPE 15.8\%, dan MASE 0.92 pada data uji Juli--November 2023. Prediksi out-of-sample untuk Desember 2023 hingga Januari 2024 memperlihatkan kondisi angin relatif stabil tanpa indikasi gelombang ekstrem, meskipun model masih kesulitan menangkap lonjakan tajam musiman. Temuan ini menegaskan bahwa JST dapat digunakan sebagai alat bantu prediksi untuk mendukung mitigasi risiko dan keselamatan pelayaran, dengan catatan perlunya integrasi variabel eksogen tambahan (curah hujan, indeks iklim) untuk meningkatkan generalisasi.

Keywords


Prediksi, Kecepatan Angin, Jaringan Saraf Tiruan, Backpropagation.

Full Text:

PDF

References


[1] A. Brotosusilo, I. W. A. Apriana, A. A. Satria, and T. Jokopitoyo, “Littoral and Coastal Management in Supporting Maritime Security for Realizing Indonesia as World Maritime Axis,” IOP Conference Series: Earth and Environmental Science, vol. 30, 2016. doi: 10.1088/1755-1315/30/1/012016.

[2] H. Arfah and P. Kurniati, Perahu yang Tenggelam dan Tewaskan 1 Orang di Bawean Gresik Diduga Kelebihan Muatan, 2024. Available online (visited on 25 Sept 2024).

[3] I. R. Young and A. Ribal, “Multiplatform Evaluation of Global Trends in Wind Speed and Wave Height,” Science, vol. 364, no. 6440, pp. 548–552, 2019. doi: 10.1126/science.aav9527.

[4] A. A. Samah, H. Azril, M. Shaffril, A. Hamzah, and B. A. Samah, “Factors Affecting Small-Scale Fishermen’s Adaptation Toward the Impacts of Climate Change: Reflections from Malaysian Fishers,” Sage Open, vol. 9, no. 3, 2019. doi: 10.1177/2158244019864204.

[5] C. D. Lewis, Industrial and Business Forecasting Methods: A Practical Guide to Exponential Smoothing and Curve Fitting. London: Butterworth Scientific, 1982, p. 40.

[6] M. Jamhuri, M. I. Irawan, I. Mukhlash, M. Iqbal, and N. N. T. Puspaningsih, “Neural networks optimization via Gauss–Newton based QR factorization on SARS-CoV-2 variant classification,” Systems and Soft Computing, vol. 7, p. 200195, 2025. doi: 10.1016/j.sasc.2025.200195.

[7] A. T. W. Almais, R. A. Fajrin, A. Naba, M. Sarosa, J. Juhari, and A. Susilo, “Assessment of post-disaster building damage levels using back-propagation neural network prediction techniques,” JOIV: International Journal on Informatics Visualization, 2024.

[8] M. Jamhuri and T. Utomo, “Penggunaan Particle Swarm Optimization pada Jaringan Syaraf Tiruan untuk Klasifikasi Radar,” MAp (Mathematics and Applications) Journal, vol. 6, no. 2, pp. 191–201, 2024.

[9] U. Khasanah and N. Ulinnuha, “Prediksi Biaya Konsumsi Bahan Bakar Gas Menggunakan Metode Backpropagation Neural Network (Studi Kasus: PLTU PT. Pembangkit Jawa Bali Unit Pembangkitan Gresik),” Jurnal Sains Matematika dan Statistika, vol. 5, no. 2, pp. 9–17, 2019. doi: 10.24014/jsms.v5i2.7630.

[10] P. I. Sijabat, Y. Yuhandri, G. W. Nurcahyo, and A. Sindar, “Algoritma Backpropagation Prediksi Harga Komoditi terhadap Karakteristik Konsumen Produk Kopi Lokal Nasional,” Digital Zone: Jurnal Teknologi Informasi dan Komunikasi, vol. 11, no. 1, 2020. doi: 10.31849/digitalzone.v11i1.3880.

[11] W. Ariannor and M. F. Razatillah, “Penerapan Jaringan Saraf Tiruan Backpropagation dalam Memprediksi Nilai Tukar Petani,” Jurnal Ilmiah Komputer, vol. 18, no. 1, pp. 127–140, 2022. doi: 10.35889/progresif.v18i1.798.

[12] S. A. Rodia and M. A. Ridla, “Prediksi Nilai Impor Susu Segar Menggunakan Algoritma Backpropagation,” Jurnal Ahsana, vol. 2, no. 1, pp. 27–32, 2024. doi: 10.59395/ahsana.v1i1.352.

[13] E. Herjanto, Sains Manajemen. Jakarta, 2009.

[14] S. Wirjohamidjojo and Sugarin, Praktek Meteorologi Kelautan. Badan Meteorologi dan Geofisika, 2008, pp. 40–41.




DOI: https://doi.org/10.18860/jrmm.v4i6.34659

Refbacks

  • There are currently no refbacks.