02795     2200253   4500001002100000005001500021035002000036007000300056008003900059082000900098084002400107100001600131245021100147260003000358300003600388500005700424650001600481650002400497504003100521505018600552520174400738856004102482990001802523INLIS00000000008054820260102094627  a0010-0126000012ta260102                |          | |    a0009  aRTE 0009 TRI i 20250 aTri Susanto1 aImputasi missing value pada data deret waktu tekanan air dengan model pembelajaran mesin berbasis atensi /cTri Susanto NRP 6022231060; Pembimbing Dr. Eko Mulyanto Yuniarno, S.T.,M.T.; Dr. Ir. Wirawan, DEA.  aSurabaya :b[s.n.],c2025  axxi, 124 hlm. :bilus ;c29 cm.  aTesis (S2) - Departemen Teknik Elektro - FTEIC - ITS 4aData mining 4aRegression analysis  aBibliografi : hlm. 101-109  aimputasi, missing value, deret waktu, pembelajaran mesin, Bi-LSTM, atensi, IoT, tekanan air, missing value, imputation, time series, machine learning, attention, IoT, water pressure  aMissing value pada data deret waktu menjadi tantangan signifikan dalam sistem Internet of Things (IoT), khususnya pada aplikasi monitoring tekanan air yang bergantung pada kontinuitas dan akurasi data. Penelitian ini mengusulkan pendekatan imputasi berbasis pembelajaran mesin dengan arsitektur Bidirectional Long Short-Term Memory (Bi-LSTM) yang dipadukan dengan mekanisme Multi-Head Attention, guna meningkatkan ketepatan estimasi missing value. Model yang dikembangkan tidak hanya menangkap dinamika temporal dua arah secara simultan, tetapi juga mampu menyesuaikan fokus perhatian terhadap informasi yang paling relevan, termasuk pada data dari berbagai perangkat sensor yang memiliki karakteristik berbeda. Penelitian ini mengevaluasi performa model terhadap beberapa strategi Fine-Tuning dan membandingkannya dengan metode konvensional seperti Mean Imputation, Median Imputation, Regresi Linear, serta LSTM dan Bi-LSTM tanpa atensi. Uji eksperimental dilakukan dengan variasi tingkat sparsitas dan skenario missing data (MCAR dan MAR), serta melibatkan data tekanan air riil yang dikumpulkan dari sistem IoT Perumda Air Minum Surya Sembada Kota Surabaya. Hasil evaluasi menunjukkan bahwa model Bi-LSTM dengan Multi-Head Attention versi kedua (V2) secara konsisten menghasilkan tingkat error yang lebih rendah (MAE, MSE, RMSE, dan MAPE) dibandingkan baseline lainnya, dan lebih konsisten di berbagai kondisi perangkat. Dengan demikian, pendekatan yang diusulkan menawarkan solusi yang adaptif dan presisi tinggi dalam menghadapi permasalahan missing value pada data deret waktu IoT, sekaligus memperluas potensi penerapan model atensi dalam pemrosesan data sensor untuk mendukung pengambilan keputusan berbasis data di sektor utilitas  ahttps://repository.its.ac.id/120500/  a3100026000009