Al Faris, Fakhri (2025) REAL-TIME WATER LEVEL PREDICTION MENGGUNAKAN MODEL LONG SHORT-TERM MEMORY UNTUK PREDIKSI BANJIR. Diploma thesis, Politeknik Negeri Sriwijaya.
|
Text (Cover)
COVER.pdf - Published Version Download (1MB) | Preview |
|
|
Text (Abstrak)
Abstrak.pdf - Published Version Download (123kB) | Preview |
|
![[img]](http://eprints.polsri.ac.id/style/images/fileicons/text.png) |
Text (BAB I)
BAB I.pdf - Published Version Restricted to Repository staff only Download (395kB) |
|
|
Text (BAB II)
BAB II.pdf - Published Version Restricted to Repository staff only Download (709kB) |
|
|
Text (BAB III)
BAB III.pdf - Published Version Restricted to Repository staff only Download (837kB) |
|
|
Text (BAB IV)
BAB IV.pdf - Published Version Restricted to Repository staff only Download (1MB) |
|
|
Text (BAB V)
BAB V.pdf - Published Version Restricted to Repository staff only Download (157kB) |
|
|
Text (DAFTAR PUSTAKA)
Daftar Pustaka.pdf - Published Version Restricted to Repository staff only Download (428kB) |
|
|
Text (LAMPIRAN)
Lampiran.pdf - Published Version Restricted to Repository staff only Download (2MB) |
Abstract
Palembang, salah satu kota besar di Indonesia, menghadapi ancaman banjir tahunan yang diperparah oleh pola curah hujan yang tidak menentu serta intensitas hujan yang ekstrem. Kondisi ini menjadikan prediksi tinggi muka air sungai sebagai aspek penting dalam upaya prediksi banjir dan pengelolaan sumber daya air di wilayah perkotaan. Penelitian ini mengembangkan model prediksi tinggi muka air secara real-time menggunakan jaringan saraf Long Short-Term Memory (LSTM), dengan input berupa data historis curah hujan dan tinggi muka air yang direkam oleh stasiun sensor otomatis di Palembang. Dataset dicatat setiap 15 menit dari tanggal 1 Februari hingga 5 Mei 2025, lalu diproses melalui tahap normalisasi dan transformasi sliding window untuk membentuk urutan data time series yang terstruktur. Hasil pelatihan dan evaluasi model menunjukkan performa prediksi yang sangat baik pada horizon +30 menit, dengan nilai RMSE sebesar 0,0486 m, MAE sebesar 0,0221 m, MAPE sebesar 1,61%, dan NSE sebesar 0,9484. Akurasi model tetap tinggi untuk horizon +60 menit (RMSE: 0,0622 m; MAE: 0,0315 m; MAPE: 2,30%; NSE: 0,9156) dan +120 menit (RMSE: 0,0839 m; MAE: 0,0476 m; MAPE: 3,47%; NSE: 0,8464), yang menunjukkan kemampuan model dalam merepresentasikan dinamika tinggi muka air pada berbagai rentang waktu prediksi.
| Item Type: | Thesis (Diploma) |
|---|---|
| Uncontrolled Keywords: | Prediksi Tinggi Air, LSTM, Risiko Banjir Kota, Deep Learning |
| Subjects: | T Technology > TK Electrical engineering. Electronics Nuclear engineering |
| Divisions: | Telecommunication Engineering > Undergraduate Theses |
| Depositing User: | Pustaka Teknik Elektro |
| Date Deposited: | 28 Aug 2025 01:18 |
| Last Modified: | 28 Aug 2025 01:18 |
| URI: | http://eprints.polsri.ac.id/id/eprint/18645 |
Actions (login required)
 |
View Item |
