Perbandingan Bayesian Optimization dan Genetic Algorithm untuk Optimasi Hyperparameter LSTM pada Prediksi Curah Hujan di Kota Tangerang

Stephen Hung, Aditya (2026) Perbandingan Bayesian Optimization dan Genetic Algorithm untuk Optimasi Hyperparameter LSTM pada Prediksi Curah Hujan di Kota Tangerang. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_I.pdf Download (232kB)
	PDF BAB_II.pdf Download (290kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (523kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (4MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (206kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (209kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (544kB)
	Archive (ZIP) 00000072563_2521_LembarPengesahan.pdf Restricted to Registered users only Download (66kB)

Abstract

Prediksi curah hujan bulanan diperlukan untuk mendukung pemantauan kondisi cuaca dan pengelolaan risiko hidrometeorologi di Kota Tangerang. Namun perubahan curah hujan yang tidak selalu teratur membuat kinerja model Long Short- Term Memory (LSTM) sangat dipengaruhi oleh konfigurasi hyperparameter yang digunakan. Penelitian ini bertujuan menerapkan dan membandingkan Bayesian Optimization dan Genetic Algorithm untuk mengoptimasi hyperparameter model LSTM pada prediksi curah hujan bulanan di Kota Tangerang. Data meteorologi harian diperoleh dari Open Meteo untuk periode Januari 1981 sampai Juni 2026, kemudian diagregasi menjadi data bulanan dan digunakan untuk memprediksi total curah hujan bulan berikutnya. Data dibagi secara kronologis menjadi 425 data latih, 60 data validasi, dan 60 data uji. Kinerja model dievaluasi menggunakan MAE, RMSE, dan R2. Pada data uji, model LSTM baseline memperoleh MAE sebesar 57,8424 mm, RMSE sebesar 71,3121 mm, dan R2 sebesar 0,4751. Model hasil Bayesian Optimization memberikan hasil terbaik dengan MAE sebesar 51,8052 mm, RMSE sebesar 65,5233 mm, dan R2 sebesar 0,5569, sedangkan model hasil Genetic Algorithm memperoleh MAE sebesar 59,1019 mm, RMSE sebesar 73,4377 mm, dan R2 sebesar 0,4434. Dibandingkan model baseline, Bayesian Optimization menurunkan RMSE sebesar 8,12% dan MAE sebesar 10,44%. Hasil tersebut menunjukkan bahwa Bayesian Optimization menghasilkan konfigurasi LSTM dengan kinerja prediksi terbaik dalam penelitian ini.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Stephen Hung, Aditya (00000072563)
Contributors:	Wardhana, Ajie Kusuma
Keywords:	Bayesian Optimization, curah hujan, Genetic Algorithm, hyperparameter, Long Short-Term Memory
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	28 Jul 2026 12:10
URI:	https://kc.umn.ac.id/id/eprint/48386

Actions (login required)

View Item