|
UPT. PERPUSTAKAAN
Universitas Esa Unggul
Kampus Emas UEU - Jakarta Barat
|
Phone |
: |
021-5674223, ext 282 |
Fax |
: |
|
E-mail |
: |
[email protected] |
Website |
: |
http://library.esaunggul.ac.id
|
Support (Customer Service) :
|
[email protected] |
|
|
Welcome..guys!
|
Have a problem with your access?
Please, contact our technical support below:
|
LIVE SUPPORT
Astrid Chrisafi
|
! ATTENTION !
To facilitate the activation process, please fill out the member application form correctly and completely
Registration activation of our members will process up to max 24 hours (confirm by email). Please wait patiently
Still Confuse?
Please read our User Guide
|
|
UEU » Master Theses » Magister Ilmu Komputer Posted by [email protected] at 25/07/2024 11:50:37 • 183 Views
ANALISIS PREDIKSI DATA DERET WAKTU KETINGGIAN AIR MENGGUNAKAN METODE DEEP LEARNING PADA PINTU AIR DINAS SUMBER DAYA AIR DKI JAKARTACreated by :
Supriyade ( 20200804003 )
Subject: | PREDIKSI DATA DERET WAKTU KETINGGIAN AIR METODE DEEP LEARNING PINTU AIR | Alt. Subject : | DATA PREDICTION TIME SERIES WATER LEVELS DEEP LEARNING METHOD WATERGORGE | Keyword: | Deep Learning Long Short Term Memory (LSTM) Recurrent Meural
Network (RNN) data deret waktu ketinggian air. |
Description:
Indonesia memiliki 2 musim, yaitu musim kemarau dan musim hujan. Pada
saat musim hujan banyak di beberapa titik wilayah DKI Jakarta mengalami banjir
ataupun genangan. Adapun penyebab jakarta sering mengalami banjir disebabkan
oleh beberapa faktor antara lain banjir hujan lokal, banjir kiriman dan banjir rob.
Dinas Sumber Daya Air DKI Jakarta saat ini belum memiliki sebuah sistem yang
dapat memprediksi ketinggian air dimasa mendatang dengan mengacu pada data
ketinggian air dimasa lalu dan saat ini. Melalui latar belakang tersebut penulis
mencoba melakukan penelitian di salah satu pintu air wilayah utara DKI Jakarta
dalam memprediksi ketinggian air dengan menggunakan metode deep learning
yaitu Recurrent Neural Network (RNN) dan Long Short Term Memory (LSTM).
Tujuan penelitian ini adalah menganalisa model deep learning terbaik dan
melakukan prediksi data deret waktu ketinggian air. Dari hasil analisis yang
dilakukan didapatkan model deep learning terbaik yaitu Long Short Term Memory
(LSTM) dengan menggunakan beberapa pengujian seperti n-input, data split
dengan komposisi data train 90,33% dan data test 9,67%, serta pengujian parameter
yang berbeda antara lain epoch, batch size, learning rate, dropout maka, didapatkan
hasil dengan nilai erorr terendah dengan RMSE (17.65), MAPE (0.29), MAE (3.37)
dan waktu yang dibutuhkan dalam proses (runtime) yaitu 39 menit.
Contributor | : |
- Dr. GERRY FIRMANSYAH, S.T.M.Kom
| Date Create | : | 25/07/2024 | Type | : | Text | Format | : | PDF | Language | : | Indonesian | Identifier | : | UEU-Master-20200804003 | Collection ID | : | 20200804003 |
Source : Master Theses Of Computer Science
Relation Collection: Fakultas Ilmu Komputer
Coverage : Civitas Akademika Universitas Esa Unggul
Rights : @2024 Perpustakaan Universitas Esa Unggul
Publication URL : https://digilib.esaunggul.ac.id/analisis-prediksi-data-deret-waktu-ketinggian-air-menggunakan-metode-deep-learning-pada-pintu-air-dinas-sumber-daya-air-dki-jakarta-34458.html
[ Free Download - Free for All ]
- UEU-Master-34458-COVER.Image.Marked.pdf - 196 KB
- UEU-Master-34458-HALAMAN PENGESAHAN.Image.Marked.pdf - 1587 KB
- UEU-Master-34458-HALAMAN PERSETUJUAN PULIKASI.Image.Marked.pdf - 187 KB
- UEU-Master-34458-ASBTRAK.Image.Marked.pdf - 190 KB
- UEU-Master-34458-KATA PENGANTAR.Image.Marked.pdf - 250 KB
- UEU-Master-34458-DAFTAR ISI.Image.Marked.pdf - 222 KB
- UEU-Master-34458-DAFTAR PUSTAKA.Image.Marked.pdf - 256 KB
- UEU-Master-34458-BAB1.Image.Marked.pdf - 202 KB
[ FullText Content - Please, register first ]
1. UEU-Master-34458-BAB2.Image.Marked.pdf - 2202 KB 2. UEU-Master-34458-BAB3.Image.Marked.pdf - 429 KB 3. UEU-Master-34458-BAB4.Image.Marked.pdf - 1758 KB 4. UEU-Master-34458-BAB5.Image.Marked.pdf - 192 KB
10 Similar Document...
No similar subject found !
10 Related Document...
|
POLLINGBagaimana pendapat Anda tentang repository kami ?
Visitors Today : 3
Total Visitor : 1970007
Hits Today : 47902
Total Hits : 154558710
Visitors Online: 1
Calculated since 16 May 2012
You are connected from 172.17.121.29 using Mozilla/5.0 AppleWebKit/537.36 (KHTML, like Gecko; compatible; ClaudeBot/1.0; [email protected])
|