Deteksi Anomali Data Time Series pada Operasional Industri Pipa Gas Alam menggunakan Metode Bidirectional Long Short-Term Memory (Bi-LSTM)
Abstract
Abstrak - Gas alam merupakan salah satu sumber energi paling penting yang digunakan saat ini, baik oleh rumah tangga, industri, maupun pembangkitan tenaga listrik. Maka menjadi penting untuk menjaga keandalan dari sistem operasional gas alam tersebut. Salah satunya dengan memperhatikan anomali-anomali yang terjadi pada proses distribusi. Penelitian ini bertujuan untuk membuat sebuah sistem deteksi anomali yang terjadi pada operasional pipa gas alam secara programatic dengan memanfaatkan teknologi pembelajaran mesin. Metode yang digunakan adalah Long Short-Term Memory (LSTM) dan Bidirectional Long ShortTerm Memory (Bi-LSTM). Teknik ekstraksi fitur yang digunakan adalah peak-to-peak anomaly detection. Penelitian ini mendapatkan nilai akurasi sebesar 99% pada LSTM dan 99% pada Bi-LSTM dengan nilai loss sebesar 0,0220.
Kata Kunci - Anomali, BiLSTM, Gas Alam, LSTM
References
Kementerian ESDM RI,
A. Ihsam, Darmadi, S. Uttunggadewa, S.Rahmawati, I. Giovanni, and S. Himawan,
I. Ahmed, A. Dagnino, and Y. Ding,
M. Elsayed, N.-A. Le-Khac, S. Dev, and A. Jurcut,
S. Aljameel et al.,
S. Lee et al.,
B. S. Lee, J. C. Kaufmann, D. M. Rizzo, and I. U. Haq,
S. Aljbali and K. Roy,
P. TS and P. Shrinivasacharya, https://doi.org/10.1016/j.gltp.2021.08.017.
D. Pan, Z. Song, L. Nie, and B. Wang,
X. Duan, Y. Fu, and K. Wang,
L. Feng et al.,
T. Barszcz and M. Zabaryłło,
D. Divya, B. Marath, and M. B. Kumar,
A. Lis, Z. Dworakowski, and P. Czubak,
P. Mallioris, E. Aivazidou, and D. Bechtsis,
Y. Cao, J. Cao, Z. Zhou, and Z. Liu,
W.A. Firmansyach, U. Hayati, and Y.A. Wijaya,
T.B. Choir,
