Sistem Drainase berhubungan dengan tata kelora air pembuangan, salah satunya dengan cara mengatur laju aliran air untuk irigasi. Optimasi laju aliran air ditujukan agar infrastruktur penampungan air seperti bendungan mampu menghasilkan outflow yang stabil sehingga mempermudah keperluan water treatment dan juga mitigasi terhadap banjir. Pada penelitian ini, simulasi skala lab yang dilakukan memodelkan kanal perairan di Jl. Jawa, Kota Surabaya. Peneliti memanfaatkan parameter hidrodinamis seperti water level dan water inflow dalam suatu fuzzy set dengan keluaran berupa perubahan positional pintu air. Pengembangan dari penelitian ini memanfaatkan teknologi LoRa (Long-Range) sebagai komunikasi sensor node menuju gateway node. Data historis dari hasil pengukuran dipelajari untuk prediksi parameter hidrodinamis dengan interval t+n menggunakan teknik uni-variate multi-step forecasting. Evaluasi performa teknik deep learning ditujukan untuk membandingkan teknik LSTM (Long Short-Term Memory) dan GRU (Gated Recurrent Unit). Evaluasi model terbaik hingga t+10 pada kasus water level yakni menggunakan LSTM_4 yang menghasilkan MRE = 0.004, sedangkan model terbaik keseluruhan adalah LSTM_5 dengan evaluasi MRE = 0.132 pada water inflow dan MRE = 0.146 pada water outflow. Komputasi kontrol pintu air dioperasikan menggunakan teknik FLC (Fuzzy Logic Control), kemudian dibandingkan dengan ANFIS (Adaptive Neuro-Fuzzy Inference System) sebagai pengaturan membership function yang adaptif. Evaluasi stabilitas terbaik menggunakan model FLC_4 mendapatkan C = 0.297. Hasil tuning menggunakan ANFIS menghasilkan 2 algoritma, model MA (Mamdani based ANFIS-tuning) dan MAV (MA model with Flow Velocity). Evaluasi model MA_1 mendapatkan C = 0.293, sedangkan model MAV_1 mendapatkan C = 0.190. Informasi data pengukuran, hasil prediksi, dan pengambilan keputusan dapat di-monitor pada dashboard yang terintegrasi tiap node dalam WSN (Wireless Sensor Network).