PREDIKTOR KECEPATAN ANGIN DAN KETINGGIAN GELOMBANG LAUT MENGGUNAKAN METODE NEURAL NETWORK UNTUK MEMASTIKAN KEAMANAN KEBERANGKATAN KAPAL (Studi Kasus: Rute Pelayaran Surabaya – Banjarmasin)
Kata Kunci:
Prediktor, Kecepatan Angin, Ketinggian Gelombang Laut, Backpropagation Neural NetworkAbstrak
Pelayaran kapal penumpang dinyatakan beresiko tinggi saat kecepatan angin lebih dari 21 knot dan tinggi gelombang di atas 2,5 meter. Metode prediksi cuaca yang digunakan oleh BMKG menghasilkan nilai output yang didapatkan dari rata-rata data cuaca pada banyak posisi di Indonesia; sedangkan untuk mendukung keberangkatan kapal dibutuhkan prediksi pada setiap titik koordinat yang dilalui oleh kapal. Penelitian ini merancang dan merealisasikan sistem prediktor kecepatan angin dan ketinggian gelombang laut menggunakan salah satu metode kecerdasan buatan, yaitu neural network. Arsitektur terbaik yang didapatkan dari hasil pelatihan mampu menghasilkan prediksi dengan akurasi sebesar 99,99079%. Hasil prediksi beserta status keamanan pada setiap titik koordinat dalam rute pelayaran Surabaya – Banjarmasin ditampilkan melalui website yang dapat diakses dengan mudah oleh semua orang.
Referensi
Basarnas, “BADAN NASIONAL PENCARIAN DAN PERTOLONGAN (BASARNAS),” 2020. https://basarnas.go.id/.
B. M. K. dan Geofisika, “Pusat Meteorologi Maritim,” 2018. https://maritim.bmkg.go.id/peringatan/gelombang_tinggi/.
M. A. Raharja and I. M. T. G. Astra, “Prediksi Ketinggian Gelombang Laut Menggunakan Metode Backpropagation
Pada Pantai Lebih Gianyar,” J. Ilmu Komput., vol. 11, no. 1, p. 19, 2018, doi: 10.24843/jik.2018.v11.i01.p03.
N. Chamidah, . W., and U. Salamah, “Pengaruh Normalisasi Data pada Jaringan Syaraf Tiruan Backpropagasi Gradient Descent Adaptive Gain (BPGDAG) untuk Klasifikasi,” J. Teknol. Inf. ITSmart, vol. 1, no. 1, p. 28, 2016, doi: 10.20961/its.v1i1.582.
H. Demuth, Neural Network Toolbox TM 6 User ’ s Guide, vol. 9, no. 4. 2000.
