<![CDATA[Sungai merupakan elemen vital yang menyediakan layanan ekosistem krusial, namun akibat aktivitas antropogenik dan perubahan iklim yang memicu degradasi dan kehilangan fungsinya. Kemampuan untuk memprediksi tren kehilangan fungsi ini sangat penting untuk pengelolaan sumber daya air yang berkelanjutan. Penelitian ini mengembangkan model prediksi menggunakan Long Short-Term Memory (LSTM) untuk menganalisis dan memprediksi kehilangan fungsi sungai, dengan fokus pada data deret waktu dan parameter Tinggi Muka Air (TMA). Kinerja model dievaluasi menggunakan metrik Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE). Pada penelitian ini berhasil menunjukkan model Long Short-Term Memory (LSTM) dapat digunakan untuk memprediksi Kehilangan Sungai berdasarkan TMA dengan hasil yang cukup baik. Model ini dirancang dan diuji dengan 3 epoch untuk mendapatkan model terbaik. Evaluasi model dengan Epoch 250 menunjukkan Tingkat kesalahan yang kecil, yaitu nilai RMSE 0.3510155365489343 dan MEA 0.2623874575751168, dan MAPE sebesar 4,73%. Prediksi model menunjukkan pola yang lumayan mirip dengan data aslinya. Walaupun hari ke-14 sampai ke-23 menunjukan nilai yang berbanding tebalik yang dipengaruhi beberapa factor seperti perubahan curah hujan yang tidak konsisten, tetapi secara keseluruahan LSTM sudah mampu memprediksi TMA.]]>
Copyrights © 2025
