Daftar Isi: Prediksi Nilai Anomali Suhu Permukaan Laut Pada Area Nino 3.4 Menggunakan Metode Recurrent Neural Network Long Short-Term Memory

Daftar Isi:

Memprediksi Nilai Anomali Suhu Permukaan Laut (Sst) Di Wilayah Nino Telah Dilakukan Oleh Berbagai Institusi, Karena Fenomena El Niflo Southern Oscillation (Enso) Yang Terjadi Pada Area Terssebut Menciptakan Dampak Besar Pada Kecepatan Dan Kekuatan Arus Laut, Kesehatan Perikanan Pesisir, Dan Cuaca Lokal Dari Australia Ke Amerika Selatan Dan Sekitarnya. Perubahan Nilai Anomali Spl Di Wilayah Nino Menyebabkan Hampir Setengah Dari Fenomena Tersebut. Dalam Penelitian Ini, Penulis Mengusulkan Untuk Menggunakan Model Ann Yang Recurrent Neural Network -Long Short-Term Memory (Rnn-Lstm) Untuk Memprediksi Nilai Anomali Spl Di Masa Yang Akan Datang Di Wilayah Nino Khususnya Nino 3.4. Lstm Adalah Rnn Versi Lebih Kompleks, Yang Memperkenalkan Mekanisme Forget Gateke Vanilla Rnn Untuk Mencegah Masalah Vanishing Gradient. Lstm Memiliki Kemampuan Yang Kuat Untuk Memodelkan Hubungan Temporal Data Deret Waktu Dan Dapat Menangani Masalah Long Term Dependencies. Dalam Arsitektur, Model Rnn-Lstm Ini Menggunakan 2 Hidden Layer Lstm Yang Terdiri Dari 50 Lstm Neuron Di Setiap Lapisannya. Tanh Digunakan Sebagai Activation Function. Mean Square Error Digunakan Sebagai Loss Function. Adam Dan Adagrad Optimizer Digunakan Sebagai Optimisasi. Riset Ini Mengeksplorasi Pengaturan Optimal Dari Arsitektur Ini Dengan Eksperimen Dan Melihat Root Mean Square Error Dari Wilayah Nino 3.4 Dengan Membandingkan Dengan Nilai Anomali Yang Telah Terjadi Untuk Mengkonfirmasi Keefektifan Metode Yang Diusulkan