Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Salah satu permasalahan yang banyak terjadi di Indonesia adalah Banjir. Pemberitahuan dini terhadap bencana banjir diharapkan dapat mengurangi kerugian yang terjadi. Pemberitahuan dini terhadap banjir dapat dilakukan dengan membuat sistem tertanam yang melakukan monitoring terhadap kondisi sekitar yang memberi data secara berkala. Pada skripsi ini dibahas mengenai rancang bangun sistem tertanam untuk melakukan prediksi terhadap banjir. Sistem yang dibuat menggunakan 2 perangkat yaitu sensor node darat yang dibangun menggunakan mikrokontroller atmega328p yang dilengkapi dengan sensor suhu, kelembaban, tekanan, hujan, modul GSM, modul ZigBee dan sensor node sungai yang dibangun menggunakan mikrokontroller atmega328p yang dilengkapi dengan sensor ketinggian air, kecepatan air, modul ZigBee. Kedua perangkat tersebut dilengkapi power distribution dengan switch FET sehingga power pada seluruh modul dapat dimatikan dengan tujuan melakukan penghematan konsumsi daya. Kedua perangkat berhubungan secara local menggunakan perangkat ZigBee yang bernama MRF24J40MA. Salah satu perangkat dilengkapi dengan GSM Sim800L untuk berhubungan dengan webserver. Data yang dikumpulkan oleh perangkat tersebut dikumpulkan pada sebuah webserver yang kemudian diolah dan ditampilkan dalam bentuk Graphical Information System. Hasil dari penelitian ini menunjukkan bahwa performa dari switch FET pada power distribution tidak optimal pada sensor node darat dengan waktu aktif yang diprediksi adalah 14 jam dan pengiriman ke server yang tidak konsisten. Sedangkan pada sensor node sungai switch FET pada power distribution cukup optimal dengan prediksi waktu aktif 25 jam dengan pengiriman ke sensor node darat yang konsisten. Selain itu jarak antara sensor node darat dan sensor node sungai yang optimal adalah

---

One of the most common problems in Indonesia is the Flood. Early notice of the flood disaster is expected to reduce the losses incurred. Early flood notification can be done by creating an embedded system that monitors the surrounding conditions that provide data on a regular basis. In this thesis discussed the design of embedded systems to predict the flood. The system is built using 2 devices ground node sensors built using atmega328p microcontroller equipped with temperature sensor, humidity, pressure, rain, GSM module, ZigBee module and river node sensor built using atmega328p microcontroller equipped with water level sensor, water speed, ZigBee module. Both devices are equipped with a power distribution equipped with FET switches so that power on all modules can be turned off for the purpose of saving power consumption. Both devices are connected locally using a ZigBee device called MRF24J40MA. One device comes with GSM Sim800L to connect with the webserver. The data collected by these devices is sent to a webserver which is then processed and displayed in the form of a Graphical Information System. The results of this study indicate that the performance of FET switches on power distribution is not optimal on ground node sensors with the predicted active time is 14 hours with inconsistent delivery to servers. While at river node sensor, the FET switch on the power distribution is optimal with a prediction of 25 hours with consistent delivery to a ground node sensor. In addition, the optimal distance between the ground node sensor and the river node sensor and the river node sensor is <70m with a 90% delivery percentage.

Abstrak :

Banjir merupakan bencana alam yang sering terjadi di Indonesia, menimbulkan kerusakan dan mengakibatkan kerugian ekonomi. Hingga saat ini pun, ibukota negara, Jakarta, tak lepas dari banjir akibat luapan dari Sungai Ciliwung. Untuk itu, diperlukan langkah preventif seperti peringatan dini banjir untuk mengurangi kerugian akibat banjir. Namun, sistem peringatan dini banjir yang saat ini dimiliki oleh Balai Besar Wilayah Sungai Ciliwung-Cisadane masih memiliki beberapa kekurangan, seperti model hidrologi yang tidak cocok untuk prediksi jangka pendek dan akurasinya yang belum optimal dan waktu yang belum efisien untuk tahap simulasi berikutnya. Untuk mengatasi kekurangan tersebut, pendekatan machine learning dikembangkan untuk mendapatkan model prediksi tinggi muka air dengan tingkat galat yang rendah dan waktu komputasi yang efisien. Model prediksi banjir diwakilkan oleh tinggi muka air berdasarkan limpasan air hujan dan limpasan dari aliran air ruas hulunya melalui 4 ruas Sungai Ciliwung. Dilakukan perbandingan dua metode berbasis neural network, yaitu Adaptive Neuro-Fuzzy Inference System (ANFIS) dan Recurrent Neural Network-Long Short Term Memory (RNN-LSTM). Model yang unggul secara umum adalah RNN-LSTM dengan tingkat galat yang lebih rendah dan waktu komputasi yang lebih cepat. Pada RMSE dan MAPE, RNN-LSTM unggul pada 3 dari 4 ruas. Waktu komputasi RNN-LSTM selalu lebih cepat dibandingkan dengan ANFIS. Sedangkan dilihat dari R², baik ANFIS maupun RNN-LSTM memiliki kemampuan yang cukup baik kecuali untuk RNN-LSTM pada ruas ketiga. Sehingga secara keseluruhan RNN-LSTM lebih unggul dalam memprediksi tinggi muka air Sungai Ciliwung dilihat dari tingkat galatnya yang lebih rendah dan efisiensi waktunya. RNN-LSTM juga lebih unggul dalam memprediksi tinggi muka air yang fluktuasi dan standar deviasinya lebih besar. ......Floods are natural disasters that often occur in Indonesia, causing damage and economic losses. Until now, the nation's capital, Jakarta, has not been free from flooding due to the overflow of the Ciliwung River. Therefore, preventive action like early warning of floods is needed, to reduce losses due to flooding. However, the flood early warning system currently done by the Ciliwung-Cisadane River Center still has several drawbacks, such as hydrological models that are not suitable for short-term predictions in which resulting their accuracy is not optimal and efficient computing time is needed. To overcome these deficiencies, a machine learning approach is developed to obtain a water level prediction model with a low error and efficient computing time. The model is predicting water level based on rainwater and upstream segment of the river runoff through the 4 segments of the river. Two neural network-based methods, Adaptive Neuro-Fuzzy Inference System (ANFIS) and Recurrent Neural Network-Long Short Term Memory (RNN-LSTM) are compared. Generally, the RNN-LSTM outperformed with a lower error rate and faster computation time. On the RMSE and MAPE, RNN-LSTM excels on 3 out of 4 segments. Based on computing time, RNN-LSTM is always faster than ANFIS. Meanwhile, seen from the R², both ANFIS and RNN-LSTM have decent capabilities except for RNN-LSTM on the third segment. Hence, the RNN-LSTM is superior in predicting the water level of the river based on its lower error and time efficiency. RNN-LSTM is also superior in predicting water level fluctuations with a larger standard deviation.