Implementasi Metode Prophet pada Prediksi Tinggi Air Sungai
Abstrak
Banjir merupakan salah satu peristiwa yang
menghasilkan dampak buruk besar hingga mengakibatkan
berhentinya berbagai sektor aktivitas kehidupan manusia. Dalam
penanggulangannya, terdapat berbagai cara telah dilakukan yang
satunya membuat sistem prediksi tinggi air sungai menggunakan
machine learning. Namun, berdasarkan penelitian tersebut,
metode evaluasi yang digunakan yaitu tidak dapat melakukan
prediksi ke masa depan. Selain itu tidak memiliki sebuah display
yang dapat menampilkan hasil prediksi tinggi air sungai. Tugas
Akhir ini mengusulkan untuk dapat mengimplementasikan
metode prophet pada prediksi tinggi air sungai. Kemudian, sistem
tersebut dapat menampilkan hasil prediksi tinggi air sungai dalam
sebuah dashboard. Selanjutnya, data set yang digunakan untuk
prediksi banjir hanya hasil akhir pengukuran tinggi air sungai
setiap 1 jam dengan mengabaikan faktor yang mempengaruhinya.
Evaluasi setelah dilakukan hyperparameter tuning dengan 3 data
berbeda menggunakan Theil’s U menghasilkan rata-rata error
terkecil yaitu 0.187044. Dashboard dapat memprediksi dan
menampilkan data secara langsung setelah upload dilakukan.
Kemudian, dashboard memiliki contoh data yang dapat
digunakan untuk melihat data yang dapat ditampilkan setelah
dilakukan prediksi.
Kata kunci— prophet, forecast, dashboard
Referensi
. Mosavi, A, Ozturk, P, & Chau, K (2018). Flood
prediction using machine learning models:
Literature review. Water, mdpi.com,
. Kartika, Ni Komang Ega (2020). PREDIKSI
BANJIR MENGGUNAKAN RADIAL BASIS
FUNCTION (RBF) BERBASIS INTERNET OF
THINGS (IOT)., Universitas Telkom, S1 Teknik
Elektro,
https://openlibrary.telkomuniversity.ac.id/pustaka/1
/prediksi-banjir-menggunakan-radial-basisfunction-
rbf-berbasis-internet-of-things-iot-.html
. Vulandari, RT, Wijayanto, H, & Laksito, W (2019).
Perbandingan Prediksi Tinggi Muka Air Bendungan
Wonogiri dengan Single Exponential Smoothing
dan Brown's Exponential Smoothing. Euclid,
jurnal.ugj.ac.id,
http://jurnal.ugj.ac.id/index.php/Euclid/article/dow
nload/2194/1414
. Vulandari, RT, & Parwitasari, TA (2018).
Perbandingan Model AR (1), ARMA (1, 1), dan
ARIMA (1, 1, 1) pada Prediksi Tinggi Muka Air
Sungai Bengawan Solo pada Pos Pemantauan Jurug.
MUST: Journal of_, journal.um-surabaya.ac.id,
ac.id/index.php/matematika/article/view/1
. Sean J. Taylor, Ben Letham (2017). Prophet:
Forecasting at Scale. research.facebook.com,
https://research.facebook.com/blog/2017/2/prophetforecasting-
at-scale/
. Dahman W, Dadan. (2021). Jenis-jenis Machine
Learning. Diakses pada 30 November 2021, dari
https://medium.com/sysinfo/jenis-jenis-machinelearning-
f918453336
. Enes Zvornicanin. (2023). Time Series Projects:
Tools, Packages, and Libraries That Can Help.
Diakses pada 1 Februari 2023, dari
https://neptune.ai/blog/time-series-tools-packageslibraries
. Prophet (2017). Hyperparameter tuning.
facebook.github.io,
https://facebook.github.io/prophet/docs/diagnostics.
html#hyperparameter-tuning
. Assembled. What is Short Term Forecasting.
https://www.assembled.com/university/what-isshort-
termforecasting#:~:
text=So%2C%20with%20that%20in
%20mind,plan%20to%20meet%20those%20needs.
. Bliemel, F (1973). Theil's forecast
accuracy coefficient: A clarification.,
journals.sagepub.com,
https://doi.org/10.1177/002224377301000413
. Streamlit (2019). A faster way to build and
share data apps. streamlit, https://streamlit.io/
. Treuille, Adrien (2019). Turn Python
Scripts into Beautiful ML Tools.
towardsdatascience,
https://towardsdatascience.com/coding-ml-toolslike-
you-code-ml-models-ddba3357eace
. Dicoding Intern (2021). Apa itu GitHub?
Berikut Cara Menggunakannya. Dicoding,
https://www.dicoding.com/blog/apa-itu-github/.
. GitHub (2008). Let's build from here.
GitHub, https://github.com/.