Penerapan Machine Learning Untuk Prediksi Bencana Banjir

Abstract

Indonesia beriklim tropis karena terletak pada garis katulistiwa, oleh karena itu Indonesia juga hanya memiliki dua musim, yaitu musim kemarau dan musim hujan. Apabila musim hujan tiba dan curah hujan intensitasnya tinggi, maka hal tersebut berpotensi menyebabkan bencana banjir. Kerugian yang ditimbulkan akibat bencana banjir cukup besar. Untuk mengurangi risiko bencana dan kerugian akibat banjir, diperlukan inovasi dalam mitigasi bencana. Beberapa penelitan sebelumnya telah melakukan analisa dan prediksi mengenai bencana banjir dengan menggunakan metode berbasis machine learning seperti Support Vector Machine (SVM), K-Nearest Neighbor (KNN), dan Naive Bayes. Akan tetapi metode yang digunakan dalam penelitian tersebut memiliki permasalahan seperti tingkat akurasi yang rendah dan membutuhkan waktu yang lama untuk melakukan perhitungan data. Dalam penelitian ini kami mengusulkan sebuah model baru yang dinamakan Deep Neural Investigation Network (DNIN) algorithm, yang dikombinasikan dari Convolutional Neural Network (CNN) dan Bidirectional Long Short Term Memory (BiLSTM). Proses dari usulan metode dalam penelitiaan terdiri dari tiga bagian, yang pertama Convolutional Neural Network (CNN) digunakan untuk melakukan ekstraksi fitur spasial dari data banjir, selanjutnya Bidirectional Long Short Term Memory (BiLSTM) digunakan untuk menangkap pola temporal dari fitur-fitur tersebut. Kemudian tahap terakhir adalah menggabungkan hasil dari kedua metode tersebut. Hasil dari penelitian yang dilakukan terhadap data curah hujan, didapatkan informasi bahwa model yang kami usulkan lebih unggul dibandingkan dengan model sebelumnya dalam melakukan prediksi bencana banjir.