Salah satu metode yang efektif untuk melakukan prediksi dalam kasus ini adalah Long Short-Term Memory (LSTM), sebuah algoritma deep learning yang dapat mengolah data time series untuk memprediksi nilai masa depan berdasarkan data historis. Penelitian ini bertujuan untuk memprediksi ketinggian air (WL) pada Bendungan Bili-bili dengan menggunakan data curah hujan (RR) dan ketinggian air (WL) sebelumnya sebagai input bagi model LSTM. Data yang digunakan dalam penelitian ini meliputi data harian ketinggian air (WL) dan curah hujan (RR) yang tercatat selama beberapa tahun terakhir. Proses awal melibatkan tahap preprocessing untuk membersihkan data dari missing values dan normalisasi menggunakan MinMaxScaler. Model LSTM yang dibangun terdiri dari tiga layer LSTM dengan 128, 64, dan 32 unit, dilanjutkan dengan 2 layer dropout untuk mengurangi overfitting dan 2 layer dense. Selanjutnya, model diuji dan dievaluasi menggunakan Root Mean Squared Error (RMSE) dan Mean Absolute Error (MAE) akurasi untuk memastikan keandalan prediksi. Hasil eksperimen menunjukkan bahwa model LSTM mampu memprediksi ketinggian air (WL) dengan cukup akurat, dengan RMSE serta MAE yang rendah dan tingkat akurasi yang baik. Prediksi ini sangat berguna bagi pihak pengelola bendungan dalam mengambil langkah-langkah mitigasi risiko banjir, serta dapat diterapkan untuk prediksi ketinggian air (WL) pada bendungan lainnya di masa depan.

One effective method for making predictions in this case is Long Short-Term Memory (LSTM), a deep learning algorithm that can process time series data to predict future values based on historical data. This study aims to predict the water level (WL) at the Bili-bili Dam using previous rainfall (RR) and water level (WL) data as input for the LSTM model. The data used in this study include daily data on water level (WL) and rainfall (RR) recorded over the past few years. The initial process involves a preprocessing stage to clean the data from missing values and normalization using MinMaxScaler. The LSTM model built consists of three LSTM layers with 128, 64, and 32 units, followed by 2 dropout layers to reduce overfitting and 2 dense layers. Furthermore, the model is tested and evaluated using Root Mean Squared Error (RMSE) and Mean Absolute Error (MAE) accuracy to ensure the reliability of the prediction. The experimental results show that the LSTM model is able to predict water level (WL) quite accurately, with low RMSE and MAE and a good level of accuracy. This prediction is very useful for dam managers in taking flood risk mitigation measures, and can be applied to predict water level (WL) in other dams in the future.