IMPLEMENTASI MACHINE LEARNING PADA PREDIKSI MODEL DATA KETINGGIAN MUKA AIR LAUT DENGAN METODE FBPROPHET DAN PENDETEKSIAN ANOMALI DENGAN METODE KLASIFIKASI

Mhd. Adjie, Husaini (2023) IMPLEMENTASI MACHINE LEARNING PADA PREDIKSI MODEL DATA KETINGGIAN MUKA AIR LAUT DENGAN METODE FBPROPHET DAN PENDETEKSIAN ANOMALI DENGAN METODE KLASIFIKASI. Teknik, Universitas Lampung.

Preview	File PDF ABSTRAK.pdf Download (140Kb) | Preview
	File PDF FULL.pdf Restricted to Hanya staf Download (2621Kb) | Minta salinan
Preview	File PDF FULL TANPA BAB PEMBAHASAN.pdf Download (2415Kb) | Preview

Abstrak (Berisi Bastraknya saja, Judul dan Nama Tidak Boleh di Masukan)

Berdasarkan letak astronomis, Indonesia berada pada tiga lempengan utama dunia. Hal ini menyebabkan indonesia sangat berpotensi rawan akan bencana gempa bumi daratan maupun perairan. Salah satu contoh bencana terbaru yaitu tsunami non tektonik yang disebabkan oleh longsor lereng gunung ke laut atau yang dikenal dengan atypical tsunami. Resiko dan dampak ini dapat dikurangi dengan adanya sistem peringatan dini tsunami. Sejak tahun 2019 peneliti dari Krakatau Research Center atau dikenal dengan KRC telah mengembangkan sistem peringatan dini tsunami bebasis Internet of Things (IoT) bersama Joint Reserach Centre – The European Commission (JRC-EC). Alat ini dikenal dengan PUMMA (Perangkat Ukur Murah untuk Muka Air laut), namun belum adanya studi lanjutan pada alat ini yaitu anomali tinggi muka air laut yang terjadi belum dapat diidentifikasi penyebab pada alat ini. Dari latar belakang tersebut maka diadakan penelitian penerapan Machine Learning (ML) sebagai solusi untuk membantu mengidentifikasi dan mendeteksi anomali yang terjadi menggunakan algoritma Facebook Prophet (Fbprophet). Dimulai dengan pengambilan data pada alat PUMMA yang terdapat di berbagai tempat. Explore data, Training model, pengujian non-noise dengan nilai hasil MAE 0.21109, dengan data stasioner, serta hasil klasifikasi dengan pengenalan pola. Keluaran dari proses ini berupa terdeteksinya anomali noise atau non-noise. Dataset pada Pulau Sebsesi menggunakan data selama dua tahun maka terdeteksi sebanyak 169 kali dengan peringatan non-noise 66 kali, serta anomali yang terjadi pada Pangandaran selama 30 hari sebanyak 28 kali dengan peringatan non-noise 16 kali.

Jenis Karya Akhir:	Skripsi
Subyek:	600 Teknologi (ilmu terapan) > 620 Ilmu teknik dan ilmu yang berkaitan
Program Studi:	Fakultas Teknik > Prodi S1-Teknik Elektro
Pengguna Deposit:	2301366193 . Digilib
Date Deposited:	13 Feb 2023 03:28
Terakhir diubah:	13 Feb 2023 03:28
URI:	http://digilib.unila.ac.id/id/eprint/69128

Actions (login required)

Lihat Karya Akhir