Prediksi Kepatuhan Kualitas Air Tambang dengan menggunakan ARIMA dan LSTM

Fillah, Wildan Azka (2023) Prediksi Kepatuhan Kualitas Air Tambang dengan menggunakan ARIMA dan LSTM. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6032202113-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2025. Download (1MB) | Request a copy

Abstract

Kualitas air tambang yang dihasilkan oleh proses penambangan pada salah satu perusahaan XYZ dengan produksi lebih dari dua puluh lima juta ton batubara sudah memiliki alat ukur yang berbasis Internet-of-things. Kualitas air tambang ini merupakan standar yang perlu dipenuhi oleh perusahaan kepada regulator dalam hal ini pemerintah agar kualitas air tambang terjaga. Dampak jika melewati baku mutu adalah diberhentikannya penambangan untuk sementara. Dan proses pemeliharaan yang sekarang dilakukan masih berupa tindakan reaktif. Manajemen pemeliharaan kualitas air tambang dapat dilakukan dengan prediksi kualitas air tambang berdasarkan dari data histori kualitas air. Data yang sudah diperoleh merupakan data time-series yang didapatkan setiap dua menit pada area yang ada di perusahaan. Peramalan menggunakan metode ARIMA, SARIMA, dan ARIMAX telah digunakan selama bertahun-tahun. Dalam beberapa tahun terakhir, teknik kecerdasan buatan seperti jaringan saraf tiruan dan pembelajaran mesin telah dikembangkan untuk analisis deret waktu. Baru-baru ini, jaringan saraf tiruan (JST) dan jaringan saraf berulang (RNN) telah menunjukkan hasil prediksi yang lebih akurat daripada metode prediksi tradisional. Long Short Term Memory (LSTM) adalah model RNN yang menggunakan data masa lalu (jangka panjang) untuk memprediksi data saat ini (jangka pendek). Hasil pada penelitian ini menunjukkan bahwa metode LSTM memiliki tingkat error yang lebih rendah untuk prediksi dengan rentang waktu yang pendek yaitu tujuh dan empat belas hari, prediksi jangka panjang yaitu tiga bulan dan enam bulan. Sedangkan model ARIMA bagus untuk rentang waktu sedang yaitu satu bulan dan tiga bulan. Tingkat error terendah yang dihasilkan pada waktu tujuh hari adalah dengan LSTM dengan rata-rata error untuk RMSE sebesar 0.209 dan MAPE sebesar 0.022. False alarm rate pada metode LSTM juga menunjukkan tingkat akurasi yang tinggi untuk jangka satu pekan. Hasil dari prediksi dapat menjadi masukan bagi manajemen perusahaan untuk melihat kepatuhan terhadap kualitas air di masa yang akan datang dan melakukan preventive maintenance sebelum kualitas air diluar baku mutu yang berlaku.
===============================================================================================================================
The quality of mine water produced by the mining process at one of the XYZ companies with a production of more than twenty-five million tons of coal already has an Internet-of-things-based measurement tool. The quality of mine water is a standard that must be met by the company to the regulator, in this case the government, so that the quality of mine water is maintained. From the perspective of environmental maintenance, it is necessary to apply lime so that mining water can be carried out and can meet the specified standards. The impact of passing the quality standard is the temporary suspension of mining. And the maintenance process that is currently being carried out is still a reactive action. An effective process for implementing mine water quality maintenance planning by predicting mine water quality based on historical water quality data. The data that has been obtained is time-series data that is obtained every two minutes in areas of the company. Forecasting using ARIMA, SARIMA, and ARIMAX methods has been used for many years. In recent years, artificial intelligence techniques such as neural networks and machine learning have been developed for time-series analysis. Recently, artificial neural networks (ANN) and repetitive neural networks (RNN) have shown more accurate prediction results than traditional prediction methods. Long Short Term Memory (LSTM) is an RNN model that uses past data (long term) to predict current data (short term). The results of this study show that the LSTM method has a lower error rate for predictions with a short span of time, seven and fourteen days, and for long-term predictions, three months and six months. Meanwhile, the ARIMA model is good for medium timeframes, one month and two months. The lowest error rate generated at seven days is with LSTM with an average error for RMSE of 0.209 and MAPE of 0.022. The false alarm rate on the LSTM method also shows a high level of accuracy for a period of one week. The results of the predictions can be used as input for company management to see compliance with water quality in the future and carry out preventive maintenance before water quality is outside the applicable quality standards.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Kualitas air, Air Tambang, machine learning, LSTM, Water quality, Mine water
Subjects:	H Social Sciences > HA Statistics > HA30.3 Time-series analysis H Social Sciences > HD Industries. Land use. Labor > HD30.23 Decision making. Business requirements analysis. Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines.
Divisions:	Interdisciplinary School of Management and Technology (SIMT) > 61101-Master of Technology Management (MMT)
Depositing User:	Wildan Azka Fillah
Date Deposited:	13 Feb 2023 07:36
Last Modified:	13 Feb 2023 07:36
URI:	http://repository.its.ac.id/id/eprint/97090

Actions (login required)

View Item