Penanganan Data Hilang Weather Monitoring Menggunakan Metode Long Short Term Memory (LSTM)

Setyawan, Luthfi Ahmad Afif Setyawan (2024) Penanganan Data Hilang Weather Monitoring Menggunakan Metode Long Short Term Memory (LSTM). Other thesis, Institut Teknologi Sepuluh Nopember.

Text 2040201093_Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (8MB) | Request a copy

Abstract

PT Pertamina Port and Logistic (PPL) merupakan salah satu anak perusahaan Pertamina Trans Kontinental (PTK). Salah satu bentuk kegiatan yang dijalankan perusahaan ini berfokus pada kegiatan operasional tambat kapal tanker ke Single Point Mooring (SPM) untuk melakukan bongkar muat. Pada setiap proses distribusi BBM di SPM, dibutuhkan sistem yang dapat memantau kondisi cuaca di area SPM secara realtime. Oleh karena itu, PPL melakukan inovasi berupa realisasi alat pemantauan cuaca atau Weather Monitoring (WEMON) di SPM. WEMON melakukan pemantauan cuaca terhadap beberapa parameter, yaitu arah angin, kecepatan angin, suhu, kelembaban udara, tekanan udara, dan tinggi gelombang laut, serta terintegrasi dengan teknologi Internet of Things (IoT). Data yang dikumpulkan oleh WEMON dapat digunakan untuk keperluan pengambilan keputusan kegiatan transfer BBM di SPM. Oleh karena itu, WEMON memberikan kontribusi yang signifikan dalam meningkatkan safety operasional di lingkungan SPM. Akan tetapi, ketidaklengkapan kumpulan data - data berdampak pada akurasi nilai estimasi kecepatan angin, serta tinggi gelombang di area SPM. Missing value mengunakan metode Long Short Term Memory (LSTM) untuk nilai estimasi nilai data kecepatan angin dan tinggi gelombang, serta suhu sebagai fitur pendukung pemodelan kecepatan angin yang hilang. Model LSTM yang telah dibangun memiliki kemampuan untuk memberi nilai estimasi data kecepatan angin yang hilang dengan nilai MAPE dan RMSE pada 30 data hilang sebesar 8,48 dan 1,38, pada data hilang sebesar 60 data memiliki nilai 10,86 dan 0,58, pada data hilang sebesar 120 data memiliki nilai 40,33 dan 3,20. Model LSTM untuk nilai estimasi data tinggi gelombang yang hilang dengan nilai MAPE dan RMSE pada 30 data hilang sebesar 3,03 dan 0,0116, pada data hilang sebesar 60 data memiliki nilai 3,89 dan 0,0126, pada data hilang sebesar 120 data memiliki nilai 3,21 dan 0,0128. Model LSTM untuk nilai estimasi data suhu yang hilang dengan nilai MAPE dan RMSE pada 30 data hilang sebesar 1,11 dan 0,35, pada data hilang sebesar 60 data memiliki nilai 2,23 dan 0,87, pada data hilang sebesar 120 data memiliki nilai 2,04 dan 0,69.
=======================================================================================================================================
PT Pertamina Port and Logistic (PPL) is one of the subsidiaries of Pertamina Trans Kontinental (PTK). One of the activities carried out by this company focuses on operational activities of mooring tankers to Single Point Mooring (SPM) to carry out loading and unloading. In every fuel distribution process at SPM, a system is needed that can monitor weather conditions in the SPM area in real time. Therefore, PPL made an innovation in the form of realizing a weather monitoring tool or Weather Monitoring (WEMON) at SPM. WEMON conducts weather monitoring of several parameters, namely wind direction, wind speed, temperature, air humidity, air pressure, and sea wave height, and is integrated with Internet of Things (IoT) technology. The data collected by WEMON can be used for decision-making purposes for fuel transfer activities at SPM. Therefore, WEMON makes a significant contribution to improving operational safety in the SPM environment. However, the incompleteness of the data set has an impact on the accuracy of predicting wind speed, as well as wave height in the SPM area. Missing value using the Long Short Term Memory (LSTM) method for predicting wind speed and wave height data values, as well as temperature as a supporting feature for modeling missing wind speed. The LSTM model that has been built has the ability to provide predictions of missing wind speed data with MAPE and RMSE values at 30 missing data of 8,48 and 1,38, at missing data of 60 data has values of 10,86 and 0,58, at missing data of 120 data has values of 40,33 and 3,20. The LSTM model for predicting missing wave height data with MAPE and RMSE values at 30 missing data of 3,03 and 0,0116, at missing data of 60 data has a value of 3,89 and 0,0126, at missing data of 120 data has a value of 3,21 and 0,0128. The LSTM model for predicting missing temperature data with MAPE and RMSE values at 30 missing data of 1,11 and 0,35, at missing data of 60 data has values of 2,23 and 0,87, at missing data of 120 data has values of 2,04 and 0,69.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	SPM, WEMON, Data Hilang, LSTM SPM, WEMON, Missing Value, LSTM
Subjects:	H Social Sciences > HA Statistics > HA30.3 Time-series analysis T Technology > TD Environmental technology. Sanitary engineering > TD890 Global Environmental Monitoring System
Divisions:	Faculty of Vocational > 36304-Automation Electronic Engineering
Depositing User:	Luthfi Ahmad Afif Setyawan
Date Deposited:	16 Aug 2024 08:44
Last Modified:	16 Aug 2024 08:44
URI:	http://repository.its.ac.id/id/eprint/115439

Actions (login required)

View Item