PREDIKSI JUMLAH SAMPAH BERBASIS LONG SHORT TERM MEMORY (LSTM) PADA TEMPAT PEMROSESAN AKHIR (TPA) BUMIAYU PRINGSEWU

PINKA , ANANDA (2025) PREDIKSI JUMLAH SAMPAH BERBASIS LONG SHORT TERM MEMORY (LSTM) PADA TEMPAT PEMROSESAN AKHIR (TPA) BUMIAYU PRINGSEWU. FAKULTAS TEKNIK, UNIVERSITAS LAMPUNG.

Preview	File PDF ABSTRAK - Pinka Ananda.pdf Download (151Kb) | Preview
	File PDF SKRIPSI FULL - Pinka Ananda.pdf Restricted to Hanya staf Download (8Mb) | Minta salinan
Preview	File PDF SKRIPSI TANPA PEMBAHASAN - Pinka Ananda.pdf Download (4Mb) | Preview

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

Peningkatan jumlah sampah setiap tahun menjadi tantangan dalam pengelolaan lingkungan, khususnya di Tempat Pemrosesan Akhir (TPA) yang memiliki keterbatasan kapasitas dan daya tampung. Seiring jumlah sampah yang meningkat, diperlukan perencanaan seperti prediksi yang mendukung strategi pengelolaan TPA. Penelitian ini bertujuan untuk memprediksi jumlah sampah di TPA Bumiayu menggunakan model deep learning berbasis Long Short Term Memory yang memiliki kemampuan menangkap pola temporal jangka panjang. Penelitian ini menggunakan tiga arsitektur LSTM yaitu Single LSTM, Double LSTM (Stacked), dan Bidirectional LSTM untuk mendapatkan akurasi terbaik serta mengukur pengaruh fitur eksternal seperti data cuaca, penduduk, dan ekonomi. Data historis 2021–2024 digunakan untuk pelatihan model sedangkan prediksi dilakukan untuk periode 2025–2030. Hasil evaluasi menunjukkan bahwa arsitektur single LSTM menghasilkan performa terbaik dengan MAPE 6,37%, MAE 7,0278, RMSE 9,3872, dan failure rate sebesar 6,64%. Hasil prediksi jangka panjang menunjukkan tren peningkatan jumlah sampah secara bertahap yang dapat menjadi strategi dalam perencanaan pengelolaan sampah berkelanjutan. Kata Kunci: Long Short Term Memory (LSTM), Prediksi Jumlah Sampah, Peramalan deret waktu, Fitur Eksternal The increasing amount of waste each year poses a challenge in environmental management, particularly at Final Waste Processing Sites (FWPS) that have limited capacity and storage space. As the amount of waste increases, planning such as predictions is needed to support FWPS management strategies. This study aims to predict the amount of waste at the Bumiayu FWPS using a deep learning model based on Long Short Term Memory (LSTM) that has the ability to capture long-term temporal patterns. This study employs three LSTM architectures—Single LSTM, Double LSTM (Stacked), and Bidirectional LSTM—to achieve the best accuracy and assess the impact of external features such as weather data, population, and economic indicators. Historical data from 2021 to 2024 was used for model training, while predictions were made for the period from 2025 to 2030. Evaluation results show that the Single LSTM architecture achieves the best performance with a MAPE of 6.37%, MAE of 7.0278, RMSE of 9.3872, and a failure rate of 6.64%. Long-term prediction results indicate a gradual increase in waste volume, which can serve as a strategy for sustainable waste management planning. Keywords: Long Short Term Memory (LSTM), Waste generation prediction, Time series forecasting, External feature

Jenis Karya Akhir:	Skripsi
Subyek:	600 Teknologi (ilmu terapan) > 620 Ilmu teknik dan ilmu yang berkaitan
Program Studi:	FAKULTAS TEKNIK (FT) > Prodi S1-Teknik Elektro
Pengguna Deposit:	UPT . Desi Zulfi Melasari
Date Deposited:	24 Oct 2025 09:02
Terakhir diubah:	24 Oct 2025 09:02
URI:	http://digilib.unila.ac.id/id/eprint/91947

Actions (login required)

Lihat Karya Akhir