SYSTEMATIC LITERATURE REVIEW (SLR) : PENGGUNAAN LSTM DAN GRU PADA OBJEK PENELITIAN SUMBER DAYA AIR
Main Article Content
Abstract
Penelitian ini berfokus pada pemanfaatan model pembelajaran mendalam, khususnya Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU), untuk mengoptimalkan pengelolaan distribusi air bersih di Indonesia. Kelangkaan air bersih menjadi tantangan besar, terutama akibat meningkatnya permintaan populasi dan dominasi metode pencatatan manual. Studi ini mengaplikasikan LSTM dan GRU untuk memodelkan distribusi sumber daya air dengan memanfaatkan variabel-variabel seperti jumlah populasi, ketersediaan air bersih (kuantitas dan kedekatan dengan Daerah Aliran Sungai [DAS]), waktu pencatatan meter air, volume distribusi air, intensitas penggunaan, serta efisiensi pemakaian air selama musim kemarau dan hujan. Variabel fisik, temporal, kualitatif, dan kuantitatif digunakan sebagai input untuk meningkatkan akurasi prediksi. Dengan mengintegrasikan teknologi deep learning, makalah ini menawarkan pendekatan baru untuk pengelolaan sumber daya air yang efisien dan mendukung mitigasi risiko distribusi air bersih di Indonesia.
Downloads
Article Details
References
N. Rasifaghihi, "Predictive Analytics: Regression Analysis with LSTM, GRU, and BiLSTM in TensorFlow," Towards Data Science, 17 July 2020. [Online]. Available: https://towardsdatascience.com/predictive-analysis-rnn-lstm-and-gru-to-predict-water-consumption-e6bb3c2b4b02. [Accessed 6 January 2025].
I. R. Widiasari and R. Efendi, "Utilizing LSTM-GRU for IOT-Based Water Level Prediction Using Multi-Variable Rainfall Time Series Data," p. 11, 2024.
B. Prijono, "Pengenalan Recurrent Neural Network (RNN) - Bagian 1," 2018.
J. Randolph, A Guide to Writing The Dissertation Literature Review, 2019.
M. D. A. Carnegie and C. , "Perbandingan Long Short Term Memory (LSTM) dan Gated Recurrent Unit (GRU) Untuk Memprediksi Curah Hujan," Jurnal Media Informatika Budidarma, p. 11, 2023.
V. G. Utomo, A. P. R. Pinem and B. V. Christoko, "Pengenalan Karakter Optis untuk Pencatatan Meter Air dengan Long Short Term Memory Recurrent Neural Network," Jurnal RESTI, p. 7, 2021.
A. W. Tungka, H. and C. Ain, "Konsentrasi Nitrat dan Ortofosfat di Muara Sungai Banjir Kanal Barat dan Kaitannya dengan Kelimpahan Fitoplankton Harmful Alga Blooms (HABs)," Indonesian Journal of Fisheries Science and Technology (IJFST), p. 7, 2016.
S. Yoon, J. Shin, N.-S. Park, M. Kweon and Y. Kim, "A Study on A Hybrid Water Quality Prediction Model Using Sequence to Sequence Learning Based LSTM and Machine Learning," Desalination and Water Treatment, p. 12, 2024.
R. C. Angrelia, "Peranan Pemerintah Kota Tangerang dalam Penanggulangan dan Pencegahan Banjir Tahun 2020," vol. 8, 2020.
Arwansyah, Suryani, H. SY, Usman, Ahyuna and S. Alam, "Time Series Forecasting Menggunakan Deep Gated Recurrent Units," vol. 4, p. 7, 2024.
A. Sahoo, S. S. Parida, S. Samantaray and D. P. Satapathy, "Daily Flow Discharge Prediction Using Integrated Methodology Based on LSTM Models: Case Study in Brahmani-Baitarani Basin," HydroResearch, p. 13, 2024.
D. K. WIjaya, R. Widjaya, A. Kurniawan and D. , "Using Time Series Analysis to Predict Earthquake," 2024.
D. Ren, Q. Hu and T. Zhang, "EKLT: Kolmogorov-Arnold Attention-driven LSTM with Transformer Model for River Water Level Prediction," Journal of Hydrology, p. 20, 2024.
H. Riza, E. W. Santoso, I. G. Tejakusuma, F. Prawiradisastra and P. , "Pemanfaatan Kecerdasan Artifisial Untuk Meningkatkan Mitigasi Bencana Banjir," Jurnal Sains dan Teknologi Mitigasi Bencana, vol. 15, p. 11, 2020.
A. Wulandari and V. Ayumi, "Analisis Kerja Algoritma CNN dan LSTM untuk Memprediksi Tinggi Muka Air di DKI Jakarta, Indonesia," Jurnal RESTI, p. 10, 2021.