MUJIIB, ABDUL and ADRIYANTO, MUHAMMAD RIZQI (2025) PREDIKSI LAND SUBSIDENCE BERDASARKAN ALGORITMA LONG SHORT-TERM MEMORY DAN REGRESI LINIER MENGGUNAKAN DATA TIME SERIES INSAR (Studi kasus: Pesisir Pekalongan, Jawa Tengah). Undergraduate thesis, UNIVERSITAS DIPONEGORO.

Text Abstrak_Abdul Mujiib & Muhammad Rizqi Adriyanto.pdf Download (75kB)

Abstract

Fenomena land subsidence di Pekalongan terjadi akibat adanya aktivitas antropogenik seperti pengambilan air tanah dan pembebanan oleh bangunan. Menurut penelitian terdahulu memperlihatkan tren land subsidence di Pekalongan mencapai -10 cm/tahun. Diperlukan model yang mampu memprediksi land subsidence untuk bahan pertimbangan perencanaan kota dan mitigasi dampak land subsidence di wilayah Kota Pekalongan, mengingat tingginya nilai land subsidence di Kota Pekalongan. Penelitian ini menggunakan pendekatan Long Short-Term Memory (LSTM) dan Regresi Linier untuk memprediksi nilai land subsidence di Kota Pekalongan dan bertujuan untuk mencari model terbaik dengan membandingkan keandalan kedua model. Peneliti menggunakan data time series InSAR berdasarkan metode small baseline area subset (SBAS) dari citra Sentinel1A untuk
memperoleh nilai time series deformasi vertikal. Prediksi land
subsidence di Kota Pekalongan diestimasi berdasarkan penilaian data time series displacement menggunakan model Recurrent Neural Network (RNN) yaitu LSTM dan model Regresi Linier. Dilakukan pra-pengolahan data terlebih dahulu untuk
menyeragamkan interval waktu dan menyesuaikan data dengan metode yang digunakan. Kemudian dilakukan prediksi dan penilaian berupa evaluasi model menggunakan metrik Mean Absolute Error (MAE) untuk mengetahui keandalan model. Hasil MAE paling optimal model LSTM sebesar 49,96 mm dan Regresi
Linier sebesar 17,16 mm. Regresi linier menunjukkan performa lebih baik dibanding LSTM karena arsitektur komputasinya yang lebih sederhana memungkinkan fokus perhitungan per piksel, di mana LSTM terlalu kompleks untuk permasalahan yang sederhana. Hasil memperlihatkan bahwa model deep
learning tidak selalu lebih unggul daripada metode sederhana seperti model regresi linier terlebih untuk pola deformasi sederhana seperti fenomena land subsidence.

Actions (login required)

View Item