ABSTRAK Nama : Bernadus Herdi Sirenden Program Studi : Ilmu Komputer Judul : Citra Pola Skala Abu-Abu Temporal Untuk Prediksi Kecepatan Aliran Air Permukaan Pembimbing : Dr. Ir. Petrus Mursanto, M.Sc. Prof. Dr. Ir. Sensus Wijonarko, M.Sc. Disertasi ini mengusulkan metode analisa kecepatan aliran air permukaan menggunakan citra kamera. Metode analisa citra yang diusulkan bernama Citra Pola Skala Abu-Abu Temporal (CPSAT). Originalitas metode ini adalah pada penggunaan XOR untuk mengektraksi fitur temporal citra dinamis aliran air. Operasi XOR diterapkan pada serangkaian pixel yang dikumpulkan ke arah temporalnya. Hasil dari operasi XOR tersebut membentuk citra baru yang diberi nama CPSAT. Pola yang terbentuk pada citra baru tersebut menunjukkan korelasi dengan kecepatan laju aliran air permukaan. Terdapat pola berbeda yang terbentuk pada citra untuk setiap kecepatan aliran air. Selanjutnya CPSAT dianalisa menggunakan 4 metode Machine Learning (ML) untuk melihat metode mana yang dapat memberikan prediksi kecepatan aliran air yang sesuai. Keempat metode tersebut adalah Multiple Input Linear Regression (MILR), Multiple Input Logistic Regression (MILgR), Convolutional Neural Network Regression (CNN-R), dan Convolutional Neural Network Classification (CNN-K). MILR dan CNN-R memprediksi nilai numerik kecepatan aliran air, sedangkan MILgR dan CNN-K memprediksi kategori kecepatan aliran air dari pola yang dibentuk CPSAT. Masukan untuk CNN-R dan CNN-K adalah CPSAT itu sendiri, tetapi tidak demikian untuk MILR dan MILgR. Terdapat 5 fitur yang diambil dahulu sebelum diolah oleh MILR dan MILgR. Fitur-fitur tersebut adalah mean dan median dari Histogram, mean dan median dari Histogram of Oriented Gradient (HOG), serta nilai maksimum dari Fast Fourier Transform (FFT) CPSAT. Data yang digunakan untuk pelatihan dan pengujian model didapat dari Simulator Mini ALiran Air Terbuka yang menghasilkan data-data video aliran air di tiga titik ukur Kecepatan Aliran Air Permukaan (KAAP), yaitu 1.7 m/s, 3.1 m/s dan 4.2 m/s. MILR dan CNN-R termasuk tipe ML untuk permasalahan regresi, sedangkan MILgR dan CNN-K untuk permasalahan klasifikasi. Sehingga perbandingan dilakukan antara metode sejenis dahulu. Untuk MILR dan CNN-R vii viii perbandingan menggunakan persamaan Trend Line dan R2 , sedangkan untuk MILgR dan CNN-K menggunakan Confusion Matrix (CM) dan metrik-metrik lain seperti Akurasi, Precision, Recall, dan F1-Score. Selanjutnya untuk dapat membandingkan keempat metode, maka digunakan grafik histogram 2-dimensi, karena banyak data yang berhimpit pada satu titik ukur. Dari hasil perbandingan keempat metode didapatkan bahwa metode ML untuk permasalahan Klasifikasi memberikan prediksi yang lebih baik daripada tipe Regresi. Metode ML terbaik yang dapat memprediksi KAAP adalah CNN-K. Selanjutnya CNN-K juga diuji dengan menerapkannya untuk citra statis yang langsung didapat dari video aliran air. Hasil yang didapat adalah CNN-K yang diterapkan pada CPSAT memberikkan hasil yang lebih baik. Hal ini disebabkan karena CPSAT mengekstrak fitur temporal dari aliran air, sedangkan tanpa CPSAT yang tampak hanyalah fitur spasial. Hal ini menunjukkan bahwa dinamika aliran air lebih dapat dengan mudah ditangkap melalui ektraksi fitur temporal dibandingkan spasial. Kata kunci: Pengukuran kecepatan aliran air kanal terbuka, Citra Pola Skala Abu-Abu Temporal, Galois Field, Operasi XOR, Multiple Input Linear Regression, Multiple Input Logistic Regression, Convolutional Neural Network.