Komparasi Long Short-Term Memory dan Polynomial Regression untuk Prediksi Tinggi Muka Air Sungai Berbasis Data IoT 92 Hari
Keywords:
Deep Learning, Long Short Term Memory , Polynomial Regression, Prediksi Banjir, Tinggi Muka AirAbstract
Prediksi dini tinggi muka air (TMA) sungai merupakan komponen kunci sistem peringatan banjir untuk mendukung mitigasi tepat waktu. Penelitian ini melakukan komparasi performa model Long Short-Term Memory (LSTM) terhadap baseline Polynomial Regression dan persistence pada tugas prediksi TMA satu jam ke depan, dengan memanfaatkan data IoT hasil deployment 92 hari di Sungai Kalibokor, Surabaya (1 November 2025 – 31 Januari 2026). Total 264.540 sample tinggi muka air pada resolusi 30 detik di-resampling menjadi 2.208 sample per jam, lalu di-split temporal 70/15/15 untuk train, validation, dan test. Model LSTM dua lapis (64 dan 32 unit) dilatih menggunakan sequence input 48 jam dengan optimasi Adam dan regularisasi dropout 0,2. Hasil evaluasi pada data test (332 sample, 18–31 Januari 2026) menunjukkan LSTM mencapai MAE 4,35 cm, RMSE 7,26 cm, dan R² 0,953, kompetitif terhadap Polynomial Regression Orde 1 (MAE 3,67 cm, RMSE 7,12 cm, R² 0,955) namun jauh lebih baik dari Polynomial Orde 2 yang mengalami overfitting (MAE 11,71 cm). Persistence baseline menghasilkan MAE 4,13 cm. Temuan ini mengindikasikan bahwa pada tugas prediksi univariate jangka pendek, polynomial regression orde rendah sudah cukup kuat, sementara LSTM memberikan fondasi arsitektural untuk pengembangan model multivariate dengan integrasi data curah hujan pada penelitian lanjutan.
References
D. Anugrananto, “Perencanaan Jaringan Drainase Sub Sistem Kali Bokor Surabaya,” Tugas Akhir, Departemen Teknik Sipil, Institut Teknologi Sepuluh Nopember, Surabaya, 2016.
K. Kautsari dan J. Priambodo, “Sistem Monitoring Multisensor Sungai Berbasis IoT dengan Catu Daya Surya untuk Mitigasi Dini Banjir di Surabaya,” Prosiding Seminar Nasional Karsa Nusantara, vol. 3, 2026 (dalam proses publikasi).
I. D. Mienye dan T. G. Swart, “Recurrent Neural Networks: A Comprehensive Review of Architectures, Variants, and Applications,” Information, vol. 15, 2024.
H. Rafael, C. Arante, E. Sybingco, M. A. Roque, L. Ambata, A. Chua, dan A. N. Gutierrez, “Development of a Secured IoT-Based Flood Monitoring and Forecasting System Using Genetic-Algorithm-Based Neuro-Fuzzy Network,” IEEE Access, vol. 13, hal. 1–19, 2025.
E. N. F. Naufaldhianto, B. Al Kindhi, dan I. A. Wicaksono, “Rekonstruksi Data Suhu dan Tekanan pada Pembangkit Listrik Tenaga Mesin Gas (PLTMG) Menggunakan Recurrent Neural Network,” Prosiding Seminar Nasional Karsa Nusantara, vol. 2, hal. 342–350, 2025.
H. Rezkian, A. Dama, A. A. Supianto, dan N. Y. Setiawan, “Analisis Penggunaan Model Regresi untuk Prediksi Penjualan Spare Part,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 5, no. 12, hal. 5591–5603, 2021.
S. Zhu, J. Miao, W. Chen, C. Liu, C. Weng, dan Y. Luo, “Reconstructing Missing Data Using a Bi-LSTM Model Based on VMD and SSA for Structural Health Monitoring,” Sensors, vol. 24, 2024.
W. Anbiya dan F. C. Garini, “Application of GARCH Forecasting Method in Predicting The Number of Rail Passengers,” Jurnal Matematika Statistika dan Komputasi, vol. 18, no. 2, hal. 198–223, 2022.
F. I. Maulana dan D. K. Hakim, “Implementasi Algoritma Prediksi Time Series untuk Konsumsi Energi Listrik,” Jurnal Teknik Informatika, 2023.
H. Zhao, Z. Lai, H. Leung, dan X. Zhang, Feature Learning and Understanding: Algorithms and Applications. Springer International Publishing, 2020.
