METODE LSTM YANG DIOPTIMASI GREY WOLF OPTIMIZER (GWO) UNTUK MODEL PREDIKSI TEMPERATUR RATA-RATA KOTA BANDUNG

Dwiyeni, Sri Lutfiya (2025) METODE LSTM YANG DIOPTIMASI GREY WOLF OPTIMIZER (GWO) UNTUK MODEL PREDIKSI TEMPERATUR RATA-RATA KOTA BANDUNG. Undergraduate thesis, UNDIP.

Abstract

Prediksi data time series memiliki peran penting dalam berbagai bidang, termasuk iklim dan lingkungan. Penelitian ini mengembangkan model Long Short-Term Memory (LSTM) untuk memprediksi temperatur rata-rata di Kota Bandung dengan dan tanpa optimasi Grey Wolf Optimizer (GWO). Hyperparameter yang divariasikan meliputi epoch (50, 100, 150), batch size (25, 50, 75), dan train size (60%, 70%, 80%, 90%). Evaluasi menggunakan Root Mean Squared Error (RMSE) dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa LSTM yang dioptimasi dengan GWO memberikan prediksi yang lebih akurat dengan RMSE 0,749 dan MAPE 2,48% dengan menggunakan hyperparameter yaitu 50 epoch, 25 hidden size, dan 90% train size dibandingkan LSTM tanpa GWO yang memiliki RMSE 0,949 dan MAPE 3,16% dengan menggunakan hyperparameter optimal LSTM yang dilakukan secara manual yaitu 100 epoch, 50 hidden size, dan 80% train size. Optimasi GWO terbukti efektif dalam meningkatkan akurasi model LSTM untuk prediksi data time series.

Actions (login required)

View Item