PENERAPAN DEEP LEARNING UNTUK PREDIKSI CURAH HUJAN HARIAN DI SUB DAS SADAR SEBAGAI ANTISIPASI BANJIR

kurniawan, bagus and Asmorowati, Erna Tri,0712077401 and Zahara, Soffa, 0704079101 (2022) PENERAPAN DEEP LEARNING UNTUK PREDIKSI CURAH HUJAN HARIAN DI SUB DAS SADAR SEBAGAI ANTISIPASI BANJIR. Bachelor thesis, universitas islam majapahit.

	Text ABSTRAK.pdf Restricted to Registered users only Download (631kB) | Request a copy
Preview	Text BAB 1.pdf Download (153kB) | Preview
	Text BAB 2.pdf Restricted to Registered users only Download (892kB) | Request a copy
	Text BAB 3.pdf Restricted to Registered users only Download (265kB) | Request a copy
	Text BAB 4.pdf Restricted to Registered users only Download (143kB) | Request a copy
Preview	Text BAB 5.pdf Download (180kB) | Preview
Preview	Text DAFTAR PUSTAKA.pdf Download (222kB) | Preview
	Text LAMPIRAN.pdf Restricted to Registered users only Download (552kB) | Request a copy

Abstract

Sub DAS Sadar memiliki luas DAS ± 358 km2, terletak di Kabupaten Mojokerto dan Kota Provinsi Jawa Timur dengan sungai utama yaitu Kali/Sungai Sadar sepanjang 23 km dan merupakan salah satu anak sungai dari sungai Porong.Karakteristik Fisik Sub DAS Sadar yang mempengaruhi aliran Sungai Sadar. Daerah Aliran Sungai Sadar (DAS) merupakan salah satu Sub DAS di DAS Brantas yang secara administratif berada di Kabupaten Mojokerto dan Kota Provinsi Jawa Timur, memiliki tingkat kerawanan banjir yang tinggi dimana sebanyak 27 desa di 5 Kecamatan di Kabupaten Mojokerto Rawan Banjir dan Longsor. Prediksi bertujuan antisipasi, pengambil keputusan, Dalam penelitian melakukan prediksi memanfaatkan algoritma deep learning yaitu LSTM dan MLP.berikut hasil running pada penelitian ini pada model LSTM algoritma optimasi adadelta mempunyai nilai MSE terkecil, pada epoch 10 yaitu 1.804739917690082, pada epoch 50 yaitu 4.027053091946151, pada epoch 100 yaitu 4.2833599881187165, pada model MLP untuk epoch 10 menggunakan algoritma optimasi adadelta dengan nilai MSE 2.7920893177036423, untuk epoch 50 menggunakan algoritma optimasi RMS prop dengan nilai MSE 4.258041901092323, untuk epoh 100 menggunakan RMS prop dengan nilai MSE 4.558889678959176. meskipun nilai akurasi masih jauh dari harapan,beberapa factor mungkin dapat di evaluasi untuk penelitian selanjutnya seperti variasi jumlah hidden layer,jumlah data training dan testing maupun penambahan variable input dengan harapan mampu menambah nilai akurasi dari model tersebut.

Actions (login required)

View Item