Implementasi Metode Prophet pada Prediksi Tinggi Air Sungai
Abstract
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
Downloads
References
. Mosavi, A, Ozturk, P, & Chau, K (2018). Flood prediction using machine learning models: Literature review. Water, mdpi.com, https://www.mdpi.com/357544 . 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, http://journal.umsurabaya.
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/.
