COMPARISON BETWEEN BIDIRECTIONAL LONG SHORT-TERM MEMORY (BI-LSTM) AND BIDIRECTIONAL GATED RECURRENT UNIT (BI-GRU) FOR EARLY WARNING SYSTEM IN CATFISH (CLARIAS GARIEPINUS) AQUAPONIC POND

Anugrah Yuwan Atmadja, Dzikri Rahadian Fudholi, S.Kom., M.Comp.

2025 | Skripsi | ILMU KOMPUTER

Penelitian ini membandingkan kinerja model Bidirectional Gated Recurrent Unit (Bi-GRU) dan Bidirectional Long Short-Term Memory (Bi-LSTM) dengan menggunakan SMAPE dan RMSE sebagai metrik evaluasi. Model-model ini diuji dengan tiga rasio pembagian data pelatihan dan pengujian yang berbeda: 90:10, 80:20, dan 70:30.

Pada dataset pelatihan, Bi-LSTM secara konsisten menunjukkan kinerja yang lebih baik dalam hal fungsi kehilangan, sementara perbandingan kinerja model pada dataset validasi tidak menghasilkan pemenang yang jelas. Analisis univariat pada dataset pengujian menunjukkan hasil yang lebih baik untuk oksigen terlarut, pH, dan amonia. Analisis dataset pengujian mengungkapkan bahwa Bi-GRU mengungguli Bi-LSTM dalam pengujian univariat untuk suhu, pH, dan amonia, sedangkan Bi-LSTM memberikan hasil lebih baik pada pengujian multivariat. Menariknya, oksigen terlarut menunjukkan kinerja anomali dengan rasio pelatihan 70% memberikan hasil terbaik, sementara amonia secara konsisten menunjukkan kinerja terburuk di semua rasio. Temuan ini menunjukkan bahwa fluktuasi parameter dan ketidakteraturan dataset, terutama pada amonia dan oksigen terlarut, memiliki dampak signifikan terhadap kinerja model.

Hasil dari dataset pengujian menunjukkan bahwa model Bi-GRU dan Bi-LSTM memiliki potensi menjanjikan untuk aplikasi industri dunia nyata, dengan berbagai peluang untuk perbaikan di masa mendatang. Model-model tersebut menunjukkan akurasi tinggi pada berbagai parameter, dengan akurasi terbaik untuk suhu, oksigen terlarut, pH, dan amonia masing-masing mencapai 99,3%, 93,9%, 99,3%, dan 70,5%. Hasil ini menyoroti efektivitas model dalam memprediksi faktor lingkungan utama. Namun, kinerja amonia relatif lebih rendah dibandingkan dengan parameter lainnya, yang menunjukkan perlunya optimasi lebih lanjut, terutama pada pembacaan IoT.

This research compares the performance of Bidirectional Gated Recurrent Unit (Bi-GRU) and Bidirectional Long Short-Term Memory (Bi-LSTM) models using SMAPE and RMSE as evaluation metrics. The models were tested across three different training-to-test ratios: 90:10, 80:20, and 70:30. 

In the training dataset, Bi-LSTM consistently achieved better performance in terms of the loss function, while the comparison between model’s performance on the validation dataset, no clear winner emerged. Univariate analysis on testing dataset demonstrated superior results for dissolved oxygen, pH, and ammonia. The test dataset analysis revealed that Bi-GRU outperformed Bi-LSTM in univariate tests for temperature, pH, and ammonia, while Bi-LSTM performed better in multivariate tests. Interestingly, dissolved oxygen showed anomalous performance with a 70% training ratio yielding the best results, while ammonia consistently showed the poorest performance across all ratios. These findings suggest that parameter fluctuations and dataset irregularities, particularly in ammonia and dissolved oxygen, significantly impact model performance.

The results from the test dataset indicate that both Bi-GRU and Bi-LSTM models exhibit promising potential for real-world industrial applications, with several opportunities for improvement in future work. The models demonstrated high accuracy across various parameters, with the best accuracy for temperature, dissolved oxygen, pH, and ammonia reaching 99.3%, 93.9%, 99.3%, and 70.5%, respectively. These results highlight the models' effectiveness in predicting key environmental factors. However, the performance of ammonia remains relatively lower compared to other parameters, suggesting the need for further optimization, especially the IoT reading. 

Kata Kunci : Bi-GRU, Bi-LSTM, aquaponic pond, prediction model, catfish cultivation, neural network