PREDIKSI PENGGUNAAN AIR BERSIH PERUSAHAAN UMUM DAERAH AIR MINUM MENGGUNAKAN ALGORITMA LONG SHORT TERM MEMORY
DOI:
https://doi.org/10.70248/jrsit.v3i1.3041Abstract
Perusahaan Umum Daerah Air Minum (PDAM) memiliki peran penting dalam menyediakan layanan air bersih bagi masyarakat. Tantangan utama yang dihadapi adalah bagaimana memprediksi kebutuhan air secara akurat agar distribusi berjalan optimal dan berkelanjutan. Penelitian ini bertujuan untuk membangun model prediksi penggunaan air bersih dengan menggunakan algoritma Long Short-Term Memory (LSTM), salah satu jenis Recurrent Neural Network (RNN) yang efektif dalam mempelajari pola data deret waktu. Data penelitian berupa catatan historis jumlah pelanggan dan volume pemakaian air bersih dari 15 wilayah layanan PDAM Kabupaten Kendal periode 2020-2025. Tahapan penelitian meliputi pra-pemrosesan data, perancangan dan pelatihan model, evaluasi performa, serta implementasi sistem prediksi berbasis web menggunakan Streamlit. Hasil evaluasi menunjukkan bahwa model LSTM mampu memberikan prediksi dengan tingkat akurasi yang baik. Rata-rata nilai Mean Absolute Percentage Error (MAPE) untuk prediksi jumlah pemakaian air berada pada kisaran 3-5%, sedangkan untuk jumlah pelanggan rata-rata di bawah 2%. Selain itu, nilai Root Mean Squared Error (RMSE) juga relatif rendah sehingga model dapat menyesuaikan dengan pola fluktuatif pada setiap wilayah. Implementasi ke dalam aplikasi web memudahkan PDAM melakukan analisis prediksi secara interaktif dan mendukung perencanaan distribusi air yang lebih efisien
References
Adhany, Putri Cheria, Cindi Wulandari, Bunga Intan, and Budi Santoso. 2025. “Prediksi Padi Menggunakan Algoritma Long Short Term Memory.” 5(2): 120–27.
Agustina, Dwi, Moh. Hafiyusholeh, Aris Fanani, and Dono Prasetijo. 2023. “Prediksi Distribusi Air Perusahaan Daerah Air Minum (PDAM) Tirta Dharma Kota Pasuruan Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation.” Jurnal PROCESSOR 18(1): 8–16.
Cahyani, Jumina, Syamsul Mujahidin, and Tegar Palyus Fiqar. 2023. “Implementasi Metode Long Short Term Memory (LSTM) Untuk Memprediksi Harga Bahan Pokok Nasional.” Jurnal Sistem dan Teknologi Informasi (JustIN) 11(2): 346.
Djana, Miftahul. 2023. “Analisis Kualitas Air Dalam Pemenuhan Kebutuhan Air Bersih Di Kecamatan Natar Hajimena Lampung Selatan.” Jurnal Redoks 8(1): 81–87.
Fahrizal, M A, S Adinugroho, and ... 2021. “Prediksi Volume Penggunaan Air Bulanan Kota Batu Menggunakan Metode Extreme Learning Machine (ELM).” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 5(7): 3078–86. http://j-ptiik.ub.ac.id/index.php/j-ptiik/article/download/9478/4282.
Fatimah, Fajar, Andi Tejawati, and Novianti Puspitasari. 2018. “Prediksi Pemakaian Air PDAM Menggunakan Metode Simple Moving Average.” Jurnal Rekayasa Teknologi Informasi (JURTI) 2(1): 55.
Hanafiah, Anggi, Yudhi Arta, Hafiza Oktasia Nasution, and Yuyun Dwi Lestari. 2023. “Penerapan Metode Recurrent Neural Network Dengan Pendekatan Long Short-Term Memory (LSTM) Untuk Prediksi Harga Saham.” Bulletin of Computer Science Research 4(1): 27–33.
Hartini. 2020. “Analisa Kebutuhan Dan Ketersediaan Air.” 10(26): 1–12.
Indro Antoro, Achmad Sudrajad, Iskahar Iskahar, and Teguh Marhendi. 2024. “Analisis Kehilangan Air Pada Jaringan Distribusi Pdam Wonosobo.” CIVeng: Jurnal Teknik Sipil dan Lingkungan 5(1): 1.
Kühnert, Christian et al. 2021. “Application of LSTM Networks for Water Demand Prediction in Optimal Pump Control.” Water (Switzerland) 13(5): 1–19.
Maghfiroh, A, A W Widodo, and Y A Sari. 2019. “Prakiraan Penggunaan Volume Air PDAM Kota Malang Menggunakan Metode Support Vector Regression Dengan Ant Colony Optimization.” PengembanganTeknologi Informasi dan Ilmu Komputer 3(10): 10344–52. http://j-ptiik.ub.ac.id/index.php/j-ptiik/article/download/6676/3222.
Musyarrof, Muhammad Alfi, and Aries Susanty. 2023. “Peramalan Volume Produksi Air Bersih Menggunakan Metode Time Series (Studi Kasus: PERUMDAM Purwa Tirta Dharma Kabupaten Grobogan).” Industrial Engineering Online Journal 12(4). https://ejournal3.undip.ac.id/index.php/ieoj/article/view/41339.
Nurzhafirah, Nurzhafirah, Sri Wahyuni, and Nurul Asqia. 2024. “Pentingnya Konsumsi Air Putih Daripada Minuman Manis Untuk Anak Usia Dini.” Kumaracitta : Jurnal Pendidikan Anak Usia Dini 2(01): 35–47.
Pahude, Mansur S. 2022. “Analisis Kebutuhan Air Bersih Di Desa Santigi Kecamatan Tolitoli Utara Kabupaten Tolitoli.” Jurnal Inovasi Penelitian 03(02): 4801–10. https://www.google.com/url?sa=i&url=https%3A%2F%2Fstp-mataram.e-journal.id%2FJIP%2Farticle%2Fdownload%2F1744%2F1345&psig=AOvVaw1amkE6LLIiImG7Y3YJOPjE&ust=1711081233630000&source=images&cd=vfe&opi=89978449&ved=0CAUQn5wMahcKEwjwp_rzwYSFAxUAAAAAHQAAAAAQBA.
Pradilla, Diah Vivin, and Agus Bambang Irawan. 2025. “Analisis Tingkat Kehilangan Air Akibat Kebocoran Pipa PERUMDAM Tirta Projotamansari, Sub Unit Pulutan.” Prosiding Seminar Nasional Teknik Lingkungan Kebumian SATU BUMI 6(1): 224–29.
Rachman, Delli Noviarti, and Susi Riwayati. 2021. “Perhitungan Kebutuhan Air Bersih Dan Perencanaan Kebutuhan Infrastruktur Perpipaan PDAM Di Kel Sako, Sako Baru, Sialang Dan Sukamaju Kec. Sako Kota Palembang.” Jurnal Tekno Global UIGM Fakultas Teknik 10(1): 1–8.
Simanjuntak, Dina Febrianti et al. 2025. “IMPLEMENTASI LONG SHORT-TERM MEMORY DALAM PERAMALAN PERMINTAAN AIR BERSIH DI KOTA PONTIANAK.” 9(2): 352–58.
Sutisna, and Nazar Mirsandi Yuniar. 2023. “Klasifikasi Kualitas Air Bersih Menggunakan Metode Naïve Baiyes.” Jurnal Sains dan Teknologi 5(1): 243–46. https://doi.org/10.55338/saintek.v5i1.1383.
Tita Lattifia, Putu Wira Buana, and NI Kadek Dwi Rusjayanthi. 2022. “Model Prediksi Cuaca Menggunakan Metode LSTM.” JITTER-Jurnal Ilmiah Teknologi dan Komputer 3(1).
Wang, Dingtong, Yanning Li, Benwei Hou, and Shan Wu. 2024. “Short-Term Water Demand Forecasting Based on LSTM Using Multi-Input Data †.” Engineering Proceedings 69(1): 2–5.
Wang, Ke et al. 2023. “MACLA-LSTM: A Novel Approach for Forecasting Water Demand.” Sustainability (Switzerland) 15(4).
Wicaksono, Mohammad Ernico Suryo, Gusti Made Arya Sasmita, and I Putu Agus Eka Pratama. 2023. “Peramalan Kualitas Udara Di Kota Jakarta Pusat Dengan Metode Long Short-Term Memory Dan Support-Vector Regression.” JITTER : Jurnal Ilmiah Teknologi dan Komputer 4(1): 1576.
