Email this article 
Forecasting Sea Surface Salinity in the Eastern Madura Strait Using a 1D Convolutional Neural Network
Abstract
Tujuan: Penelitian ini bertujuan untuk memprediksi salinitas permukaan air laut pada perairan Selat Madura bagian Timur menggunakan 1D CNN dan menguji daripada performa model arsitektur 1D CNN yang dibuat. Berdasarkan hasil prediksi yang diperoleh, diharapkan mampu memberi informasi ke masyarakat terkait kondisi salinitas permukaan Selat Madura bagian Timur beberapa hari ke depan.
Perancangan/metode/pendekatan: Hal pertama yang perlu dilakukan adalah memprediksi tiap parameter sebelum memprediksi salinitas permukaan. Penelitian ini menggunakan metode 1D CNN, dengan parameter kecepatan arus eastward, arus northward dengan 3 kedalaman berbeda, dan salinitas pada 2 kedalaman berbeda.
Hasil: Berdasarkan penelitian ini diperoleh model 1D CNN mampu memprediksi salinitas dengan sangat baik, dengan MAPE sebesar 2.86% pada nilai dropout 0.8 dan batchsize 64. Adapun hasil prediksi untuk 6 hari ke depan, dari 17 Januari 2023 pukul 19.00 hingga 23 Januari 2023 pukul 07.00 dengan rentang waktu per 12 jam adalah mengalami penurunan dengan angka terendah menyentuh 33.313 PSU.
Keaslian/ state of the art: Pada penelitian ini menggunakan parameter prediksi, metode, dan diperoleh hasil yang berbeda dengan penelitian sebelumnya.Keywords
Full Text:
PDFReferences
F. Purwangka and H. Ainul Mubarok, “Komposisi Ikan Hasil Tangkapan Menggunakan Cantrang di Selat Madura,” Albacore, vol. 2, no. 2, pp. 239–252, 2018.
H. Prihatno, R. F. Abida, and S. L. Sagala, “Korelasi Antara Konduktivitas Air Laut dengan Jumlah Mineral Terlarut pada Perairan Selat Madura,” Jurnal Kelautan Nasional, vol. 16, no. 3, pp. 211–222, 2021.
H. Hidayat and Hambali, “Rancang Bangun Alat Kontrol Salinitas Air Otomatis pada Budidaya Udang Vaname,” Ranah Research : Journal of Multidicsiplinary Research and Development, vol. 4, no. 2, pp. 135–143, 2022.
A. N. Azizah, D. C. R. Novitasari, P. K. Intan, F. Setiawan, and G. I. P. Sari, “Prediction of salinity based on meteorological data using the backpropagation neural network method,” Ilmu Kelaut, vol. 26, no. 3, pp. 207–214, Sep. 2021, doi: 10.14710/ik.ijms.26.3.207-214.
BMKG, “BMKG Maritim Tanjung Perak Surabaya.” http://maritimjatim.info/index.php (accessed Jan. 19, 2023).
J. Zhao et al., “Sea Surface Salinity Variability in the Bering Sea in 2015–2020,” Remote Sens (Basel), vol. 14, no. 3, Feb. 2022, doi: 10.3390/rs14030758.
A. Supply, J. Boutin, G. Reverdin, J. L. Vergely, and H. Bellenger, “Variability of satellite sea surface salinity under rainfall,” in Advances in Global Change Research, vol. 69, Springer, 2020, pp. 1155–1176. doi: 10.1007/978-3-030-35798-6_34.
S. D. Wardhani, A. A. D. Suryo, W. Atmodjo, E. Indrayanti, and B. Rochaddi, “Pengaruh Arus terhadap Sebaran Horizontal Suhu dan Salinitas pada 3 Kedalaman yang Berbeda di Perairan Samudera Hindia Bagian Selatan Pulau Jawa,” Indonesian Journal of Oceanography, vol. 03, no. 02, 2021.
T. Prayitno, W. S. Pranowo, and A. A. Surya, “Salinitas Absolut dan Arus Sebagai Pembaruan Variabel untuk Peutakhiran Basisdata Sistem Fusi-Oseanografi,” urnal Hidropilar, vol. 7, no. 2, pp. 95–106, 2021.
J. Hu, B. Liu, and S. Peng, “Forecasting salinity time series using RF and ELM approaches coupled with decomposition techniques,” Stochastic Environmental Research and Risk Assessment, vol. 33, no. 4–6, pp. 1117–1135, Jun. 2019, doi: 10.1007/s00477-019-01691-1.
F. Zhou, B. Liu, and K. Duan, “Coupling wavelet transform and artificial neural network for forecasting estuarine salinity,” J Hydrol (Amst), vol. 588, Sep. 2020, doi: 10.1016/j.jhydrol.2020.125127.
M. A. Syarifudin et al., “Hotspot Prediction Using 1D Convolutional Neural Network,” in Procedia Computer Science, 2021, vol. 179, pp. 845–853. doi: 10.1016/j.procs.2021.01.073.
K. N. Nabi, M. T. Tahmid, A. Rafi, M. E. Kader, and M. A. Haider, “Forecasting COVID-19 cases: A comparative analysis between recurrent and convolutional neural networks,” Results Phys, vol. 24, May 2021, doi: 10.1016/j.rinp.2021.104137.
H. Sindi, M. Nour, M. Rawa, Ş. Öztürk, and K. Polat, “Random fully connected layered 1D CNN for solving the Z-bus loss allocation problem,” Measurement (Lond), vol. 171, Feb. 2021, doi: 10.1016/j.measurement.2020.108794.
BMKG, “Pusat Meteorologi Maritim.” peta-maritim.bmkg.go.id (accessed Jan. 18, 2023).
B. Hamuna, R. H. Tanjung, H. K. Maury, and Alianto, “Kajian Kualitas Air Laut dan Indeks Pencemaran Berdasarkan Parameter Fisika-Kimia Di Perairan Distrik Depapre, Jayapura,” Jurnal Ilmu Lingkungan, vol. 16, no. 1, pp. 35–43, 2018, doi: 10.14710/jil.16.135-43.
A. Mulyani, D. Kurniadi, and M. A. Musadad, “Rancang Bangun Aplikasi Pengenalan Rukun Islam Sebagai Media Pembelajaran Menggunakan Teknologi Augmented Reality,” Jurnal Algoritma, vol. 19, no. 1, pp. 50–61, 2021.
J. Reagan, T. Boyer, J. Antonov, and M. Zweng, “Comparison analysis between Aquarius sea surface salinity and World Ocean Database in situ analyzed sea surface salinity,” J Geophys Res Oceans, vol. 119, no. 11, pp. 8122–8140, 2014, doi: 10.1002/2014JC009961.
E. A. Kusnanti, D. C. R. Novitasari, F. Setiawan, A. Fanani, M. Hafiyusholeh, and G. I. Permata Sari, “Predicting Velocity and Direction of Ocean Surface Currents using Elman Recurrent Neural Network Method,” Journal of Information Systems Engineering and Business Intelligence, vol. 8, no. 1, pp. 21–30, Apr. 2022, doi: 10.20473/jisebi.8.1.21-30.
D. D. Pramesti, D. C. R. Novitasari, F. Setiawan, and H. Khaulasari, “Long-Short Term Memory (LSTM) for Predicting Velocity and Direction Sea Surface Current on Bali Strait,” BAREKENG: Jurnal Ilmu Matematika dan Terapan, vol. 16, no. 2, pp. 451–462, Jun. 2022, doi: 10.30598/barekengvol16iss2pp451-462.
A. Karatzoglou, N. Schnell, and M. Beigl, “A Convolutional Neural Network Approach for Modeling Semantic Trajectories and Predicting Future Locations,” in Artificial Neural Networks and Machine Learning – ICANN 2018, 2018, pp. 61–72. doi: 10.1007/978-3-030-01418-6_7.
S. Kiranyaz, O. Avci, O. Abdeljaber, T. Ince, M. Gabbouj, and D. J. Inman, “1D convolutional neural networks and applications: A survey,” Mech Syst Signal Process, vol. 151, Apr. 2021, doi: 10.1016/j.ymssp.2020.107398.
E. R. S. Putri et al., “Prediksi Kasus Aktif Kumulatif Covid-19 di Indonesia Menggunakan Model Regresi Linier Berganda,” Jurnal Pendidikan Matematika dan Matematika, vol. 5, no. 2, pp. 567–577, 2021.
I. I. Zulfa, D. C. R. Novitasari, F. Setiawan, A. Fanani, and Moh. Hafiyusholeh, “Prediction of Sea Surface Current Velocity and Direction Using LSTM,” IJEIS (Indonesian Journal of Electronics and Instrumentation Systems), vol. 11, no. 1, p. 93, Apr. 2021, doi: 10.22146/ijeis.63669.
B. Yuwa Phiadelvira, D. Zatusiva Haq, D. C. Rini Novitasari, and S. Fajar, “Prediksi Besar Daya Listrik Tenaga Gelombang Laut Metode Oscillating Water Coloumn (PLTGL-OWC) di Banyuwangi Menggunakan Extreme Learning Machine (ELM),” UNNES Journal of Mathematics, vol. 11, no. 1, pp. 1–7, 2022, [Online]. Available: http://journal.unnes.ac.id/sju/index.php/ujm
D. C. R. Novitasari et al., “Forecasting Sea Surface Temperature in Java Sea Using Generalized Regression Neural Networks,” in Smart Innovation, Systems and Technologies, 2021, vol. 182, pp. 249–257. doi: 10.1007/978-981-15-5224-3_24.
H. F. Nurrohman, D. C. R. Novitasari, F. Setiawan, Rochimah, A. Taufiq, and A. Hamid, “Rainfall Prediction Using Gated Recurrent Unit Based on DMI and Nino3.4 Index,” in 2022 IEEE International Conference on Industry 4.0, Artificial Intelligence, and Communications Technology (IAICT), Jul. 2022, pp. 191–196. doi: 10.1109/IAICT55358.2022.9887474.
DOI: https://doi.org/10.31315/telematika.v21i1.8959
DOI (PDF): https://doi.org/10.31315/telematika.v21i1.8959.g6342
Refbacks
- There are currently no refbacks.
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Status Kunjungan Jurnal Telematika