MULTIVARIATE TIME SERIES ANOMALY DETECTION DENGAN METODE LONG SHORT TERM MEMORY UNTUK VALIDASI DATA KELEMBABAN TANAH

CHOIR, TIRTA BUANA (2022) MULTIVARIATE TIME SERIES ANOMALY DETECTION DENGAN METODE LONG SHORT TERM MEMORY UNTUK VALIDASI DATA KELEMBABAN TANAH. Diploma thesis, Universitas Pembangunan Nasional "Veteran" Yogyakarta.

	Text Abstrak_Tugas Akhir_123150039_Tirta Buana Choir.pdf Download (19kB)
	Text Cover_Tugas Akhir_123150039_Tirta Buana Choir.pdf Download (331kB)
	Text Full_Tugas Akhir_123150039_Tirta Buana Choir.pdf Restricted to Repository staff only Download (29MB)
	Text Daftar Pustaka_Tugas Akhir_123150039_Tirta Buana Choir.pdf Download (141kB)
	Text Daftar Isi_Tugas Akhir_123150039_Tirta Buana Choir.pdf Download (217kB)
	Text Daftar Pustaka_Tugas Akhir_123150039_Tirta Buana Choir.pdf Download (141kB)
	Text Pengesahan Pembimbing_Tugas Akhir_123150039_Tirta Buana Choir.pdf Download (477kB)

Abstract

Indonesia merupakan negara rentan akan bencana yang disebabkan oleh perubahan
iklim dan cuaca, salah satunya bencana tanah longsor. Mengingat jumlah kejadian tanah
longsor cukup tinggi, kebutuhan akan early warning system dalam mendeteksi bencana
dinilai cukup penting. Pembuatan early warning system membutuhkan data yang memiliki
kualitas dan validitas tinggi dengan tingkat anomali rendah. Faktor utama terjadinya tanah
longsor disebabkan oleh peningkatan kadar kelembaban tanah, dari curah hujan yang cukup
tinggi. Perubahan data kelembaban tanah yang dinamis dalam kurun waktu singkat
berpotensi memunculkan data anomali yang dapat terjadi karena kesalahan pencatatan
(error pada sensor) ataupun adanya anomali dari kejadian tidak biasa. Guna
mempertahankan kualitas dan validitas data dari wireless sensor kelembaban tanah maka
perlu dilakukan anomaly detection.
Dalam penelitian ini dilakuakn dengan dua tahapan yaitu pertama melakukan
predikis data kelembaban tanah yang kemudian hasil predikis digunakan untuk melakukan
deteksi anomali. Long Short Term Memory digunakan untuk prediksi kelembaban tanah
dengan menggunakan multivariate data yaitu suhu tanah dan suhu permukaan tanah. Long
Short Term Memory dataset yang digunakan merupakan data hasil dari wireless sensor
dengan interval data sebanyak 3 detik. Predikis dengan LSTM dilakukan setiap 3 detik
dengan data input yaitu kelembaban tanah, suhu tanah dan suhu permukaan tanah dengan
output data kelembaban tanah. Hasil output predikis data kelembaban tanah ini lah yang
menjadi dasar pembuatan deteksi anomali. Deteksi anomali dilakukan dengan
menggunakan data hasil prediksi sebagai dasar pembuatan threshold (amabang batas).
Penentuan ambang batas dilakuakan dengan menambah dan mengurangi nilai prediksi
dengan jarak batas yang telah dihitung menggunakan metode Predictive Confidence
Interval. Ambang batas berfungsi sebagai detektor untuk mendeteksi data yang dianggap
anomali bila melewati batas atas atau batas bawah yang telah ditentukan.
Penelitian ini menggunakan data berdurasi 1,3,6, dan 10 hari untuk melakukan
proses pelatihan model prediksi dan data kelembaban tanah selama 8 menit untuk simulasi
deteksi anomali. Arsitektur LSTM yang digunakan adalah dengan batch 32 dan epoch 50
dengan menggunakan fungsi aktivasi hidden layer tanh. Skenario pengujian ini dilakukan
dengan menghitung nilai MSE pada model prediksi. Hasil MSE dari model prediksi pada
data kelembaban tanah dengan algoritma LSTM sebesar 0.00033 dengan data pelatihan
selama 10 hari. Pada pengujian deteksi anomali menghasilkan akurasi sebesar 66,4%.
Kata kunci : Prediksi, Deteksi Anomali, Long Short Time Memory

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Prediksi, Deteksi Anomali, Long Short Time Memory
Subjects:	Q Science > Q Science (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eny Suparny
Date Deposited:	19 Sep 2022 02:16
Last Modified:	19 Sep 2022 02:33
URI:	http://eprints.upnyk.ac.id/id/eprint/30952

Actions (login required)

View Item