Implementasi Metode Long Short-Term Memory (LSTM) Dalam Peramalan Tinggi Gelombang Untuk Wilayah Perairan Kabupaten Bolaang Mongondow Utara Provinsi Sulawesi Utara

Abstract

Gelombang laut merupakan fenomena alam yang dibangkitkan oleh angin dan memiliki peran penting dalam rekayasa pantai, perikanan, serta transportasi maritim. Informasi tinggi gelombang sangat diperlukan, namun sifat stokastik gelombang laut membuat prediksinya masih menjadi tantangan. Penelitian ini bertujuan mengembangkan model prakiraan tinggi gelombang signifikan menggunakan algoritma Long Short-Term Memory (LSTM) di perairan Kabupaten Bolaang Mongondow Utara, Sulawesi Utara. Dataset yang digunakan berasal dari ERA5 berupa tinggi gelombang signifikan (H_s(ERA5)), komponen angin zonal-meridional yang dikonversi menjadi H_s(wind), serta data altimetri untuk validasi. Model LSTM dilatih pada data 1998–2021, divalidasi 2022, dan diuji 2023 dengan horizon prediksi 1 hari. Hasil menunjukkan bahwa model mampu memprediksi tinggi gelombang signifikan dengan baik. Evaluasi menggunakan data uji menghasilkan nilai kesalahan rendah, dengan RMSE dan MAE pada kisaran sentimeter. Validasi terhadap data altimetri memperlihatkan kinerja lebih baik pada H_s(ERA5) (RMSE 0,282 m; MAE 0,235 m; MAPE 37,98%) dibanding H_s(wind) (RMSE 0,460 m; MAE 0,434 m; MAPE 78,34%). Model juga berhasil merepresentasikan variabilitas musiman sesuai pola aktual. Hasil ini menunjukkan bahwa metode LSTM efektif untuk peramalan tinggi gelombang signifikan dan berpotensi mendukung sistem peringatan dini serta perencanaan wilayah pesisir di Indonesia.

Kata kunci: deep learning, LSTM, peramalan gelombang, ERA5, altimetri