Model Prediksi Pasang Surut Berbasis Kecerdasan Buatan dengan Pendekatan Kuadrat Terkecil Dan Autoencoder (Studi Kasus Stasiun Pasang Surut Muara Baru): Tidal Prediction Model Based on Artificial Intelligence using Least Squares And Autoencorder Approaches (Case Study of Muara Baru Tidal Station)

Muhammad Hisyam Fahmi (Sekolah Tinggi Teknologi Angkatan Laut, Jakarta)
Johar Setyadi (2Program Studi Hidrografi, Sekolah Tinggi Teknologi Angkatan Laut)
Yoyok Nurkarya Santosa (1Sekolah Tinggi Teknologi Angkatan Laut, Prodi D3 Hidro-Oseanografi)
Widodo Setiyo Pranowo (Sekolah Tinggi Teknologi Angkatan Laut, Prodi Oseanografi BRIN)
Kukuh Suryo Widodo (Program Studi Hidrografi, Sekolah Tinggi Teknologi Angkatan Laut, Prodi S1 Hidrografi)
I Wayan Sumardana E. Putra (Sekolah Tinggi Teknologi Angkatan Laut, Prodi D3 Hidro-Oseanografi)
Nawanto Budi Sukoco (2Program Studi Hidrografi, Sekolah Tinggi Teknologi Angkatan Laut, Prodi S1 Hidrografi)

Jurnal HIDROPILAR
Vol. 11 No. 2 (2025): Jurnal Hidropilar

Fenomena pasang surut memiliki peran penting dalam berbagai aktivitas kelautan, seperti pelayaran, pembangunan wilayah pesisir, dan pengelolaan pelabuhan. Oleh karena itu, diperlukan model prediksi pasang surut yang akurat dan andal. Penelitian ini mengusulkan pengembangan model prediksi pasang surut berbasis kecerdasan buatan (Artificial Intelligence) dengan memadukan metode Least Squares dan Autoencoder, menggunakan data dari Stasiun Pasang Surut Muara Baru sebagai studi kasus. Metode Least Squares dimanfaatkan untuk mengidentifikasi komponen harmonik dalam data pasang surut, sedangkan Autoencoder digunakan untuk menangkap pola tersembunyi dan non-linier dalam data. Proses pengolahan data dilakukan menggunakan bahasa pemrograman Python dengan dukungan pustaka UTide dan TensorFlow. Untuk memudahkan pengguna, dikembangkan pula sebuah aplikasi grafis bernama G-Tide yang mengintegrasikan proses analisis dan prediksi ke dalam satu antarmuka interaktif. Model prediksi yang dihasilkan menunjukkan performa yang baik, dengan tingkat kesalahan prediksi yang rendah berdasarkan perhitungan nilai Root Mean Square Error (RMSE) dan Mean Absolute Error (MAE). Pendekatan gabungan ini terbukti efektif dalam merepresentasikan dinamika pasang surut secara komprehensif, baik dalam aspek periodik maupun komponen acaknya.