HASYIMI, Moh and Mustafid, Mustafid and Farikhin, Farikhin (2023) MODEL PREDIKSI KETINGGIAN PERMUKAAN PINTU AIR SUNGAI CILIWUNG DENGAN MENGGUNAKAN METODE LONG SHORT-TERM MEMORY. Masters thesis, UNIVERSITAS DIPONEGORO.

	Text COVER.pdf Download (1MB)
	Text BAB 1.pdf Download (125kB)
	Text BAB 2.pdf Download (348kB)
	Text BAB 3.pdf Restricted to Repository staff only Download (256kB)
	Text BAB 4.pdf Restricted to Repository staff only Download (572kB)
	Text BAB 5.pdf Download (62kB)
	Text DAFTAR PUSTAKA.pdf Download (136kB)
	Text LAMPIRAN.pdf Restricted to Repository staff only Download (393kB)

Abstract

Ketinggian air sangat besar efeknya untuk pertimbangan banyak hal seperti pembangunan, kehidupan sosial, ekonomi, kesehatan, bahkan terhadap infrastruktur dan hal lainnya. Tinggi atau rendahnya ketinggian permukaan air juga menjadi pertimbangan didalam membuat keputusan terkait berbagai hal yang akan diambil dan dilakukan. Long Short-Term Memory merupakan metode data mining yang banyak diimplementasikan pada penelitian dikarenakan memiliki kemampuan yang baik dalam melakukan prediksi. Penelitian ini bertujuan membuat model prediksi ketinggian permukaan air sungai menggunakan algoritma LSTM dengan memanfaatkan data history time-series untuk mendapatkan hasil prediksi ketinggian air diwaktu yang akan datang. Penggunaan metode LSTM menunjukkan keberhasilan dalam membuat model prediksi ketinggian permukaan air sungai menggunakan data history, setelah model dilakukan pengoptimalan menggunakan metode Adam menunjukkan perubahan nilai yang lebih baik. Evaluasi menggunakan MAPE menunjukkan perubahan hasil yang cukup baik dengan 19,2% untuk dataset latih sedangkan dataset uji bernilai 14.8% termasuk juga nilai hasi akurasi peramalan diwaktu yang akan datang sebesar 5,8%. Nilai akurasi yang didapat menunjukkan hasil yang konsisten dari hasil masing-masing dataset pelatihan, pengujian dan peramalan yang dilakukan diwaktu yang akan datang.
Kata Kunci: Ciliwung, Prediksi ketinggian air, Long Short-Term Memory, Time Series, Machine Learning

The water level has a very large effect for consideration of many things such as development, social life, economy, health, even infrastructure and other things. High or low water level is also a consideration in making decisions regarding various things to be taken and carried out. Long Short-Term Memory is a data mining method that is widely implemented in research because it has a good ability to make predictions. This study aims to create a predictive model for river water level using the LSTM algorithm by utilizing historical time-series data to obtain predictions of water level in the future. The use of the LSTM method shows success in making a predictive model of river water level using historical data, after the model is optimized using the Adam method it shows a better value change. Evaluation using MAPE shows a fairly good change in results with 19.2% for the training dataset while the test dataset is worth 14.8% including the resulting value of future forecasting accuracy of 5.8%. The accuracy value obtained shows consistent results from the results of each training, testing and forecasting dataset that will be carried out in the future.
Keywords: Ciliwung, Water Level Prediction, Long Short-Term Memory, Time Series, Machine Learning

Actions (login required)

View Item