Pencarian lanjut - Riwayat Pencarian - Bantuan
  1. Home
  2. Detail Result

Cite This        Tampung        Export Record
Judul Imputasi missing value pada data deret waktu tekanan air dengan model pembelajaran mesin berbasis atensi / Tri Susanto NRP 6022231060; Pembimbing Dr. Eko Mulyanto Yuniarno, S.T.,M.T.; Dr. Ir. Wirawan, DEA.
Pengarang Tri Susanto
Penerbitan Surabaya : [s.n.], 2025
Deskripsi Fisik xxi, 124 hlm. :ilus ;29 cm.
Subjek Data mining
Regression analysis
Abstrak Missing 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 dat
Catatan Tesis (S2) - Departemen Teknik Elektro - FTEIC - ITS
Bibliografi : hlm. 101-109
imputasi, missing value, deret waktu, pembelajaran mesin, Bi-LSTM, atensi, IoT, tekanan air, missing value, imputation, time series, machine learning, attention, IoT, water pressure
Bentuk Karya Tidak ada kode yang sesuai
Target Pembaca Tidak ada kode yang sesuai
https://repository.its.ac.id/120500/

 
No Barcode No. Panggil Akses Lokasi Ketersediaan
3100026000009 RTE 0009 TRI i 2025 Baca di tempat Perpustakaan ITS - Ruang Ikoma Corner Tersedia
Tag Ind1 Ind2 Isi
001 INLIS000000000080548
005 20260102094627
007 ta
008 260102################|##########|#|##
035 # # $a 0010-0126000012
082 # # $a 0009
084 # # $a RTE 0009 TRI i 2025
100 0 # $a Tri Susanto
245 1 # $a Imputasi missing value pada data deret waktu tekanan air dengan model pembelajaran mesin berbasis atensi /$c Tri Susanto NRP 6022231060; Pembimbing Dr. Eko Mulyanto Yuniarno, S.T.,M.T.; Dr. Ir. Wirawan, DEA.
260 # # $a Surabaya :$b [s.n.],$c 2025
300 # # $a xxi, 124 hlm. : $b ilus ; $c 29 cm.
500 # # $a Tesis (S2) - Departemen Teknik Elektro - FTEIC - ITS
504 # # $a Bibliografi : hlm. 101-109
505 # # $a imputasi, missing value, deret waktu, pembelajaran mesin, Bi-LSTM, atensi, IoT, tekanan air, missing value, imputation, time series, machine learning, attention, IoT, water pressure
520 # # $a Missing 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
650 # 4 $a Data mining
650 # 4 $a Regression analysis
856 # # $a https://repository.its.ac.id/120500/
990 # # $a 3100026000009
Content Unduh katalog
 
Karya Terkait :