Abstrak
Prediksi tinggi gelombang penting untuk kegiatan navigasi laut, kegiatan operasional di platform lepas pantai, dan daerah pesisir seperti di pelabuhan. Pendekatan tradisional dalam sistem prediksi tinggi gelombang adalah memanfaatkan alat numerik untuk mensimulasikan propagasi energi gelombang dengan memecahkan persamaan keseimbangan energi. Metode ini membutuhkan sumber daya komputasi yang sangat tinggi. Untuk menghitung prediksi tinggi gelombang dari data medan angin dalam penelitian ini, kami menggunakan metodologi pembelajaran mesin, yaitu metode Long Short-Term Memory (LSTM), yang membutuhkan lebih sedikit sumber daya komputer. Untuk membuat dataset untuk pelatihan dan pengujian algoritma, kami mensimulasikan simulasi gelombang kontinu dari data medan angin dengan menggunakan model SWAN, yang didasarkan pada model gelombang rata-rata fase. Sebagai input medan angin untuk model, kami menggunakan pengumpulan data angin ECMWF ERA-5 sebagai input medan angin model. Kami memilih area penelitian di Teluk Jakarta, Indonesia, sebagai studi kasus. Selain itu, kami menyelidiki dampak dari berbagai input data angin terhadap hasil prediksi tinggi gelombang di Teluk Jakarta. Dengan beberapa input angin, model LSTM memprediksi data gelombang dengan hasil yang baik.
Kata kunci: wave prediction, SWAN, long short-term memory, deep learning
Abstract
Wave height prediction is important for sea navigation activities, operational activities in the offshore platform, and coastal areas such as in port. The traditional approach in wave height prediction systems is to utilize the numerical tool for simulating wave energy propagation by solving the energy balance equation. The method requires a very high computation resource. For calculating wave height prediction from wind field data in this study, we use a machine learning methodology, namely the Long Short-Term Memory (LSTM) method, which requires fewer computer resources. To create a dataset for the algorithm's training and testing, we simulate continuous wave simulation from wind field data by using SWAN model, which is based on a phase averaged wave model. As wind field input for the model, we use the ECMWF ERA-5 wind data collection as the model's wind field input. We chose a research area in Jakarta Bay, Indonesia, as a case study. In addition, we investigate the impact of various wind data inputs on the results of wave height prediction in Jakarta Bay. With several wind inputs, the LSTM model predictions wave data with good results.
Keywords: wave prediction, SWAN, long short-term memory, deep learning