Deteksi Bencana Banjir Berdasarkan Data Curah Hujan Di Daerah Jakarta Menggunakan Logistic Regression Neural Network

Bhisma Adiyasa; Candra Dewi; Putra Pandu Adikara

Deteksi Bencana Banjir Berdasarkan Data Curah Hujan Di Daerah Jakarta Menggunakan Logistic Regression Neural Network

Penulis

Bhisma Adiyasa Universitas Brawijaya
Candra Dewi
Putra Pandu Adikara

Kata Kunci:

Logistic Regression Neural Network, SMOTE-RUS, deteksi banjir, ketidakseimbangan data

Abstrak

Bencana banjir merupakan permasalahan signifikan di Jakarta yang dipengaruhi oleh curah hujan tinggi, sehingga diperlukan sistem prediksi yang andal untuk mitigasi. Penelitian ini menerapkan Logistic Regression Neural Network (LRNN), metode hybrid yang menggabungkan Logistic Regression dan Artificial Neural Network, untuk mendeteksi potensi banjir berdasarkan data cuaca harian wilayah Jakarta periode 2016-2020. Teknik resampling SMOTE-RUS digunakan untuk menangani ketidakseimbangan data, dengan rasio kelas mayoritas dan minoritas yang awalnya 12:1. Model diuji menggunakan data validasi dengan evaluasi metrik recall untuk kedua kelas. Hasil penelitian menunjukkan bahwa model LRNN dengan SMOTE-RUS memiliki recall sebesar 0,75 untuk kelas banjir dan 0,79 untuk kelas tidak banjir, menunjukkan kemampuan model dalam memprediksi kedua kelas secara seimbang, dengan nilai akurasi sebesar 0,79 dan F1 Macro sebesar 0,61. Temuan ini menunjukkan bahwa metode hybrid meningkatkan kinerja prediksi pada kelas banjir dibandingkan metode Logistic Regression biasa, sehingga memberikan kontribusi penting dalam mitigasi bencana.

Referensi

Gad, W. & Hashem, M., 2023. SMOTE-RUS : Combined Oversampling and Undersampling Technique to Classify the Imbalanced Autism Spectrum disorder dataset. International Journal of Intelligent Computing and Information Sciences, 23(3), pp. 83-94.

Arafa, A., Radad, M., Badawy, M. & El - Fishawy, N., 2021. Regularized Logistic Regression Model for Cancer Classification. 2021 38th National Radio Science Conference (NRSC), Volume 1, pp. 251-261.

Restu, A. K. A., Siswa, T. A. Y. & Pranoto, W. J., 2024. Model Optimasi KNN-PSORF dalam Menangani High Dimensional Data Banjir Kota Samarinda. Jurnal Teknologi Sistem Informasi dan Aplikasi, 7(3), pp. 1289-1299.

BMKG, 2021. Data banjir lintas tahun 2014-2020. [Online]

Available at: https://pantaubanjir.jakarta.go.id/data-banjir-lintas-tahun

[Accessed 23 August 2024].

Fatonah, N. S., 2021. Penerapan Deteksi Bencana Banjir Menggunakan Metode Machine Learning. JurnalFormat, 10(2), pp. 119-126.

C., Zamri, D., R. & S., 2022. Perbandingan Metode Data Mining untuk Prediksi Banjir Dengan Algoritma Naïve Bayes dan KNN. Sentimas, pp. 40-48.

Kurniawan, E., Wibawanto, H. & Widodo, D. A., 2018. MPLEMENTASI METODE BACKPROPOGATION DENGAN INISIALISASI BOBOT NGUYEN WIDROW UNTUK PERAMALAN HARGA SAHAM. Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), 6(1), pp. 49-54.

López, O. A. M., López, A. M. & Crossa, J., 2022. Multivariate Statistical Machine Learning Methods for Genomic Prediction. In: Fundamentals of Artificial Neural Networks and Deep Learning. s.l.:Springer, pp. 379-425.

Deteksi Bencana Banjir Berdasarkan Data Curah Hujan Di Daerah Jakarta Menggunakan Logistic Regression Neural Network