Perbandingan Performa Model Box-Jenkins dan Machine Learning pada Prediksi Tinggi Muka Air

Abstrak

Pintu Air Pasar Ikan-Laut yang terletak di kawasan Jakarta Utara merupakan area strategis yang rentan terhadap bencana banjir pesisir (rob). Tinggi muka air di kawasan ini dipengaruhi oleh kombinasi pasang surut, curah hujan tinggi, dan buruknya sistem drainase sehingga sering dijadikan sebagai indikator awal potensi banjir. Penelitian ini menggunakan data pengukuran harian tinggi muka air di pintu pasar ikan laut dari 1 September hingga 24 Oktober 2024. Pola data menunjukkan bahwa data cukup fluktuatif dan terdapat pola tren musiman. Oleh karena itu ingin dilihat performa metode klasik, yaitu seasonal autoregressive integrated moving average (SARIMA) dibandingkan dengan metode berbasis machine learning yaitu long short-term memory (LSTM). Hasil analisis menunjukkan bahwa model SARIMA terbaik adalah model ARIMA(1,0,3)×(1,2,1)_24 dengan mean absolute percentage error (MAPE) sebesar 10,88% dan root mean square error (RMSE) sebesar 25,45. Namun model ini memiliki kelemahan karena terdapat asumsi model yang tidak terpenuhi, yaitu asumsi normalitas dan kehomogenan ragam sisaan. Hasil pemodelan LSTM diperoleh bahwa model dengan kombinasi epoch 50 dan batch size 1 menghasilkan model LSTM terbaik dengan MAPE sebesar 2,58% dan RMSE sebesar 5,60. Hasil pola ramalan metode LSTM lebih baik dibandingkan dengan metode SARIMA karena masih cukup mengikuti pola data aktual serta tren naik, sedangkan hasil peramalan metode SARIMA kurang bisa mengikuti pola tersebut serta tidak memenuhi asumsi.