Jaringan Syaraf Tiruan Untuk Prediksi Daerah Rawan Banjir Studi Kasus Kabupaten Karawang
DOI:
https://doi.org/10.33633/joins.v6i2.4577Abstract
Banjir merupakan salah satu bencana alam yang sering terjadi di Indonesia, khususnya di daerah Kabupaten Karawang. Banyak kerugian yang dialami oleh masyarakat akibat terjadinya banjir. Ada beberapa parameter yang dapat digunakan untuk memprediksi terjadinya banjir seperti curah hujan, kepadatan penduduk, dan ketinggian permukaan tanah. Pemodelan prediksi banjir perlu menghasilkan hasil yang akurat agar sistem dapat menghasilkan hasil yang bagus dalam memprediksi daerah-daerah yang rawan banjir. Pada penelitian ini akan melakukan pemodelan prediksi banjir menggunakan Jaringan Syaraf Tiruan. Untuk menentukan model yang baik perlu dilakukan sebuah metode pembagian dataset yaitu k-fold cross validation dimana setiap bagian (fold) dijadikan sebagai data uji dan n-1fold dijadikan data latih. Data yang akan digunakan pada penelitian ini adalah data curah hujan, data kepadatan penduduk, data ketinggian permukaan tanah, dan data banjir pada tahun 2015 di 30 kecamatan di Kabupaten Karawang. Hasil prediksi pada proses pelatihan dan pengujian menghasilkan nilai MSE terkecil pada k-fold ke 8 =0.00820644, nilai RMSE terkecil pada k-fold ke 3 = 0.07052563, dan nilai MAE terkecil pada k-fold ke 1 = 0.12276052. Kemudian rata-rata MSE 0.341, RMSE 0.666, dan MAE 0.302.References
B. K. Karawang, "Bab I Letak Geografis," KARAWANG DALAM ANGKA 2015, Karawang: Bappeda Kabupaten Karawang, 2015, 1-5.
A. R. Sanubari, P. D. Kusuma, and C. Setianingsih, “Pemodelan Prediksi Banjir Menggunakan Artificial Neural Network,” e-Proceeding Eng., vol. 5, no. 3, pp. 6276–6282, 2018.
S. Berkhahn, L. Fuchs, and I. Neuweiler, “An Ensemble Neural Network Model For Real-Time Prediction Of Urban Floods,” J. Hydrol., vol. 575, no. February, pp. 743–754, 2019, doi: 10.1016/j.jhydrol.2019.05.066.
K. C. Keong, M. Mustafa, A. J. Mohammad, M. H. Sulaiman, and N. R. H. Abdullah, “Artificial neural network flood prediction for sungai isap residence,” Proc. - 2016 IEEE Int. Conf. Autom. Control Intell. Syst. I2CACIS 2016, no. October, pp. 236–241, 2017, doi: 10.1109/I2CACIS.2016.7885321.
J. Veintimilla-Reyes, F. Cisneros, and P. Vanegas, “Artificial Neural Networks Applied to Flow Prediction: A Use Case for the Tomebamba River,” Procedia Eng., vol. 162, pp. 153–161, 2016, doi: 10.1016/j.proeng.2016.11.031.
F. Ayu, “Implementasi Jaringan Saraf Tiruan Untuk Menentukan Kelayakan Proposal Tugas Akhir,” It J. Res. Dev., vol. 3, no. 2, pp. 44–53, 2019, doi: 10.25299/itjrd.2019.vol3(2).2271.
I. R. Widyan, "Platform Visualisasi Data Untuk Pemerintah Amsterdam Sebagai Solusi Pembersihan Kota Secara Efektif," Doctoral dissertation, Fakultas Teknologi Elektro, Institut Teknologi Sepuluh Nopember, Surabaya, Indonesia, 2007.
Downloads
Published
How to Cite
Issue
Section
License
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).
This work is licensed under a Creative Commons Attribution 4.0 International License.
