Penerapan Algoritma Machine Learning Untuk Memprediksi Bencana Alam Banjir Menggunakan Algoritma SVM dan LSTM
DOI:
https://doi.org/10.36815/submit.v5i1.3969Keywords:
prediksi banjir , machine learning, SVM, LSTMAbstract
Banjir adalah bencana alam dan sering terjadi di DKI Jakarta dan sekitarnya. Untuk mengurangi dampak buruk dari bencana ini, sangat penting memiliki sistem prediksi yang cepat dan tepat. Memiliki sistem peramalan yang cepat dan tepat sangat penting untuk mengurangi dampak negatif dari bencana ini. Tujuan dari penelitian ini adalah untuk mengimplementasikan algoritma pembelajaran mesin, yaitu Support Vector Machine (SVM) dan Long Short-Term Memory (LSTM), untuk memproyeksikan atau mengimplementasikan potensi banjir berdasarkan data lingkungan. Data yang digunakan mencakup tingkat air yang tinggi dan peristiwa astronomi di wilayah DKI Jakarta. Proses penelitian mencakup akurasi metrik, akurasi, tahap preprocessing data menggunakan klasifikasi, pelatihan model, dan penilaian kinerja model. Hasil pengujian menunjukkan bahwa model SVM menghasilkan akurasi tertinggi sebesar 87%, sedangkan LSTM menghasilkan akurasi 58%. SVM, dimana dapat diambil kesimpulan bahwa kinerja metode SVM lebih baik daripada metode LSTM.
References
Faiza, I. M., Gunawan, G., & Andriani, W. (2022). Tinjauan Pustaka Sistematis: Penerapan Metode Machine Learning untuk Deteksi Bencana Banjir. Jurnal Minfo Polgan, 11(2), 59–63. https://doi.org/10.33395/jmp.v11i2.11657
Frenica, A., Lindawati, L., Lindawati, L., Soim, S., & Soim, S. (2023). Implementasi Algoritma Support Vector Machine (SVM) untuk Deteksi Banjir. INOVTEK Polbeng - Seri Informatika, 8(2), 291. https://doi.org/10.35314/isi.v8i2.3443
Hasanah, M. A., Soim, S., & Handayani, A. S. (2021). Implementasi CRISP-DM Model Menggunakan Metode Decision Tree dengan Algoritma CART untuk Prediksi Curah Hujan Berpotensi Banjir. Journal of Applied Informatics and Computing, 5(2), 103–108. https://doi.org/10.30871/jaic.v5i2.3200
