Deep-Learning-Based LSTM Model for Predicting a Tidal River’s Water Levels: A Case Study of the Kapuas Kecil River, Indonesia

Kurniawan, Kanada; Sampurno, Joko; Adriat, Riza; Ardianto, Randy; Kushadiwijayanto, Arie Antasari

doi:10.1007/978-981-99-7969-1_8

Cited by 1 publication

(1 citation statement)

References 14 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Untuk setiap penambahan elemen baru akan diikuti dengan penghapusan elemen aktif tertua [32]. Panjang jendela yang digunakan adalah 336 poin data, yang setara dengan data per jam selama periode 14 hari [33]. Data ini digunakan untuk peramalan satu jam ke depan.…”

Section: B Persiapan Dataunclassified

Perbandingan Fungsi Aktivasi Untuk Meningkatkan Kinerja Model LSTM Dalam Prediksi Ketinggian Air Sungai

Kurniawan,

Ceasaro,

Sucipto

2024

JEPIN

View full text Add to dashboard Cite

Sungai Kapuas memegang peran esensial dalam dinamika ekonomi masyarakat di Kota Pontianak, memberikan kontribusi signifikan dalam sektor transportasi, pertanian, serta pengelolaan tata air dan mitigasi banjir. Meskipun begitu, Sungai Kapuas juga memberikan tantangan serius terkait banjir yang kerap terjadi. Wilayah sepanjang Sungai Kapuas secara resmi ditetapkan sebagai Wilayah Sungai Strategis Nasional, menandakan pentingnya peran ekosistem sungai ini dalam konteks strategis nasional. Penelitian ini mengeksplorasi penerapan metode Long Short-Term Memory (LSTM) dengan berbagai fungsi aktivasi untuk memprediksi ketinggian air Sungai Kapuas. Dua belas jenis fungsi aktivasi, termasuk Sigmoid , Tanh, Hard Sigmoid , ELU, Exponential, GELU, Mish, ReLU, SELU, Swish, Softplus, dan Softsign, dievaluasi menggunakan lima metrik kinerja, yaitu Mean Absolute Error (MAE), Root Mean Square Error (RMSE), Nash–Sutcliffe Efficiency (NSE), Pearson Correlation Coefficient (PCC), dan Kling-Gupta Efficiency (KGE). Data yang digunakan merupakan data ketinggian air Sungai Kapuas hasil observasi tiap jam dari Stasiun Meteorologi Maritim Pontianak selama periode 2016 hingga 2022. Hasil evaluasi menunjukkan bahwa fungsi aktivasi ReLU memberikan kinerja terbaik dengan nilai r, NSE, KGE, MAE, dan RMSE secara berurutan sebesar 0.990594, 0.981103, 0.988685, 3.78747, dan 5.2546.

show abstract

Section: B Persiapan Dataunclassified