Perbandingan Algoritma Machine Learning untuk Prediksi Multi-Output Variabel Osean-Atmosfer
Abstract
Prediksi variabel osean-atmosfer merupakan komponen penting dalam mendukung keselamatan dan efisiensi aktivitas maritim. Kompleksitas data osean-atmosfer yang bersifat multivariat dan dinamis memerlukan pendekatan komputasional yang mampu menangkap hubungan non-linear dan temporal secara simultan. Penelitian ini membandingkan performa tiga algoritma machine learning, yaitu Long Short-Term Memory (LSTM), Random Forest, dan XGBoost dalam memprediksi multi-output variabel osean-atmosfer menggunakan data Automatic Weather Station (AWS) periode 2022–2025. Tahapan penelitian meliputi pra-pemrosesan, normalisasi menggunakan StandardScaler, pembagian data (90% latih dan 10% uji), pelatihan model teroptimasi, serta evaluasi menggunakan RMSE dan R². Hasil penelitian menunjukkan bahwa XGBoost memiliki performa terbaik pada sebagian besar variabel dengan nilai RMSE terendah pada windspeed (0,77), waterlevel (0,12), RH (2,40), dan winddir (28,79), serta nilai R² tertinggi masing-masing sebesar 0,840; 0,940; 0,870; dan 0,730. LSTM menunjukkan performa terbaik pada variabel watertemp dengan RMSE sebesar 0,31 dan R² sebesar 0,814. Sementara itu, Random Forest memiliki performa yang relatif lebih rendah dengan nilai R² berkisar antara 0,680 hingga 0,982 tergantung variabel. Secara keseluruhan, XGBoost terbukti paling konsisten dan efektif dalam menangani prediksi multi-output variabel osean-atmosfer yang kompleks dan non-linear.
Keywords
Full Text:
PDFReferences
F. Pelu, “Dampak Perubahan Iklim Global Terhadap Parameter Oseanografi: Ancaman Bagi Ekosistem Laut dan Kehidupan Pesisir di Maluku,” PERAUT: Jurnal Perikanan dan Kelautan, vol. 2, no. 1, hlm. 38–46, 2025, doi: doi.org/10.70134/peraut.v2i1.592.
F. Setyanabi dan E. Mulyanie, “Analisis Dampak Perubahan Iklim Terhadap Geografi Maritim Indonesia,” Jurnal Ilmiah Samudra Akuatika, vol. 8, no. 1, hlm. 12–19, Jun 2024, doi: doi.org/10.33059/jisa.v8i1.9295.
N. N. B. Marscelina, I. G. L. Wijayakusuma, dan P. V. Swastika, “Perbandingan Metode LSTM dan TCN untuk Prediksi Gelombang Laut Berdasarkan Enam Parameter Oseanografi,” JST (Jurnal Sains dan Teknologi), vol. 14, no. 1, hlm. 56–66, Mei 2025, doi: doi.org/10.23887/jstundiksha.v14i1.92590.
A. B. A. F. Adiaspoetri, “Analisis Bias Data Time Series dengan Algoritma Quantile Mapping (Studi Kasus : Presipitasi Kota Makassar),” Skripsi, Universitas Hasanuddin, Gowa, 2024.
A. Arwansyah, C. Susanto, dan N. Nurdiansah, “2Deep Model Prediksi Berbasis Weighting Average untuk Time Series Data 2Deep Weighting Average Based Prediction Model for Time Series Data,” JURNAL SISFOTENIKA, vol. 14, no. 2, hlm. 210–219, 2024, doi: doi.org/10.30700/sisfotenika.v14i2.462.
I. Botunac, J. Bosna, dan M. Matetić, “Optimization of Traditional Stock Market Strategies Using the LSTM Hybrid Approach,” Information, vol. 15, no. 3, Mar 2024, doi: doi.org/10.3390/info15030136.
H. A. Ramadhan, “Prediksi Curah Hujan Menggunakan Metode ARIMA (Autoregressive Integrated Moving Average) (Studi Kasus : Kabupaten Sleman, Semarang, dan Surabaya),” Universitas Islam Indonesia, Yogyakarta, 2025.
H. A. Aziz dan H. A. Santoso, “Model Prediksi Stunting Anak di Indonesia Menggunakan Extreme Gradient Boosting,” Jurnal Algoritma, vol. 22, no. 1, hlm. 1072–1085, 2025, doi: doi.org/10.33364/algoritma/v.22-1.2289.
S. D. Prasetyo, S. S. Hilabi, dan F. Nurapriani, “Analisis Sentimen Relokasi Ibukota Nusantara Menggunakan Algoritma Naïve Bayes dan KNN,” Jurnal KomtekInfo, vol. 10, no. 1, hlm. 1–7, Jan 2023, doi: doi.org/10.35134/komtekinfo.v10i1.330.
H. Faiqoh, “Penerapan Ensemble Feature Selection untuk Mengurangi Dimensionalitas dalam Prediksi Data Time Series,” Skripsi, Universitas Islam Negeri Syarif Hidayatullah Jakarta, Tangerang Selatan, 2023.
A. Sispianygala, S. S. Berutu, dan J. Jatmitka, “Pengembangan Aplikasi Sistem Rekomendasi Tempat Wisata dengan Collaborative Filtering,” Progresif: Jurnal Ilmiah Komputer, vol. 20, no. 2, hlm. 828–838, 2024, doi: dx.doi.org/10.35889/progresif.v20i2.2044.
Y. Setiawan, “Data Mining berbasis Nearest Neighbor dan Seleksi Fitur untuk Deteksi Kanker Payudara,” Jurnal Informatika: Jurnal pengembangan IT (JPIT), vol. 8, no. 2, hlm. 89–96, 2023, doi: doi.org/10.30591/jpit.v8i2.4994.
A. Syaputra, “Implementation of Machine Learning Algorithms for Predicting Student Final GPA Using Multiclass Classification Models,” Journal of Artificial Intelligence and Software Engineering, vol. 5, no. 2, hlm. 660–675, 2025, doi: dx.doi.org/10.30811/jaise.v5i2.7015.
T. Lattifia, P. W. Buana, dan N. K. D. Rusjayanthi, “Model Prediksi Cuaca Menggunakan Metode LSTM,” JITTER-Jurnal Ilmiah Teknologi dan Komputer, vol. 3, no. 1, 2022.
A. Tholib, N. K. Agusmawati, dan F. Khoiriyah, “Prediksi Harga Emas Menggunakan Metode LSTM dan GRU,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 11, no. 3, hlm. 620–627, Agu 2023, doi: doi.org/10.23960/ jitet.v11i3.3250.
I. K. A. Enriko, F. N. Gustiyana, dan R. H. Putra, “Komparasi Hasil Optimasi Pada Prediksi Harga Saham PT. Telkom Indonesia Menggunakan Algoritma Long Short Term Memory,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 7, no. 2, hlm. 659–667, Apr 2023, doi: doi.org/10.30865/mib.v7i2.5822.
A. B. Fawait, M. Jamil, S. Rahmah, dan S. Sugiarto, “Penerapan Metode LSTM untuk Prediksi Harga Ethereum,” Jurnal Rekayasa Teknologi Informasi (JURTI), vol. 9, no. 3, hlm. 243–252, 2025, doi: dx.doi.org/10.30872/jurti.v9i3.22169.
D. N. Handayani dan S. Qutub, “Penerapan Random Forest untuk Prediksi dan Analisis Kemiskinan,” RIGGS: Journal of Artificial Intelligence and Digital Business, vol. 4, no. 2, hlm. 405–412, Mei 2025, doi: doi.org/10.31004/riggs.v4i2.512.
E. Fitri, “Analisis Perbandingan Metode Regresi Linier, Random Forest Regression dan Gradient Boosted Trees Regression Method untuk Prediksi Harga Rumah,” Journal of Applied Computer Science and Technology (JACOST), vol. 4, no. 1, hlm. 58–64, 2023, doi: doi.org/10.52158/jacost.491.
E. Fitri dan D. Riana, “Analisa Perbandingan Model Prediction dalam Prediksi Harga Saham Menggunakan Metode Linear Regression, Random Forest Regression dan Multilayer Perceptron,” METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi, vol. 6, no. 1, hlm. 69–78, 2022, doi: doi.org/10.46880/jmika.Vol6No1.pp69-78.
B. W. Sari dan D. Prabowo, “Analisis Perbandingan Prediksi Harga Rumah dengan Random Forest, Gradient Boosting, dan XGBoost,” Intellect : Indonesian Journal of Innovation Learning and Technology, vol. 04, no. 01, hlm. 42–51, 2025, doi: doi.org/10.57255/intellect.v4i1.1385.
M. A. Rayadin, M. Musaruddin, R. A. Saputra, dan I. Isnawaty, “Implementasi Ensemble Learning Metode XGBoost dan Random Forest untuk Prediksi Waktu Penggantian Baterai Aki,” BIOS : Jurnal Teknologi Informasi dan Rekayasa Komputer, vol. 5, no. 2, hlm. 111–119, Agu 2024, doi: doi.org/10.37148/bios.v5i2.128.
A. Joshi, C. Vishnu, C. K. Mohan, dan B. Raman, “Application of XGBoost model for early prediction of earthquake magnitude from waveform data,” Journal of Earth System Science, vol. 133, no. 5, Mar 2024, doi: doi.org/10.1007/s12040-023-02210-1.
Z. Gustiyandi, A. Aradea, dan H. Sulastri, “Prediksi Penjualan Produk Menggunakan Algoritma Xtreme Gradient Boosting,” Jurnal Rekayasa Teknologi Informasi (JURTI), vol. 9, no. 1, hlm. 20–29, 2025, doi: dx.doi.org/10.30872/jurti.v9i1.20419.
I. Amansyah, J. Indra, E. Nurlaelasari, dan A. R. Juwita, “Prediksi Penjualan Kendaraan Menggunakan Regresi Linear Studi Kasus pada Industri Otomotif di Indonesia,” INNOVATIVE: Journal of Social Science Research, vol. 4, no. 4, hlm. 1199–1216, 2024, doi: doi.org/10.31004/innovative.v4i4.12735.
A. Syahreza, N. K. Ningrum, dan M. A. Syahrazy, “Perbandingan Kinerja Model Prediksi Cuaca: Random Forest, Support Vector Regression, dan XGBoost,” Edumatic: Jurnal Pendidikan Informatika, vol. 8, no. 2, hlm. 526–534, Des 2024, doi: doi.org/10.29408/edumatic.v8i2.27640.
A. Alwi, “Peramalan Suhu Udara di Kabupaten Malang Menggunakan Long Short-Term Memory (LSTM),” Skripsi, Universitas Islam Negeri Maulana Malik Ibrahim Malang, Malang, 2025.
DOI: http://dx.doi.org/10.30872/jurti.v9i4.25976
Refbacks
- There are currently no refbacks.
Copyright (c) 2025 Jurnal Rekayasa Teknologi Informasi (JURTI)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Alamat Redaksi :
Program Studi Informatika
Fakultas Teknik
Jl. Sambaliung No. 9 Kampus Gunung Kelua Samarinda 75119 - Kalimantan Timur
e-mail : jurti.unmul@fkti.unmul.ac.id
Url : http://e-journals.unmul.ac.id/index.php/INF
Contact Person : Medi Taruk [081543438301]
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.