Prediksi Jumlah Kejadian Banjir Bulanan di Indonesia Berdasarkan Analisis Long Short Term Memory
Banjir merupakan salah satu bencana alam yang paling umum dan berbahaya di dunia. Terjadinya banjir dapat menyebabkan kehilangan nyawa, hingga ketidakstabilannya perekonomian negara. Di Indonesia sendiri, banjir merupakan bencana alam yang paling sering terjadi sejak tahun 2009. Tingginya frekuensi...
| Main Authors: | , , , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Universitas Islam Raden Rahmat
2023-10-01
|
| Series: | G-Tech |
| Subjects: | |
| Online Access: | https://ejournal.uniramalang.ac.id/index.php/g-tech/article/view/3346 |
| _version_ | 1797659229356556288 |
|---|---|
| author | Alfredi Yoani Sediono Sediono M. Fariz Fadillah Mardianto Elly Pusporani |
| author_facet | Alfredi Yoani Sediono Sediono M. Fariz Fadillah Mardianto Elly Pusporani |
| author_sort | Alfredi Yoani |
| collection | DOAJ |
| description |
Banjir merupakan salah satu bencana alam yang paling umum dan berbahaya di dunia. Terjadinya banjir dapat menyebabkan kehilangan nyawa, hingga ketidakstabilannya perekonomian negara. Di Indonesia sendiri, banjir merupakan bencana alam yang paling sering terjadi sejak tahun 2009. Tingginya frekuensi tersebut menambah urgensi untuk memprediksi jumlah kejadian bencana alam guna membantu pemerintah dan masyarakat dalam mengambil langkah-langkah mitigasi yang tepat, serta membantu percepatan tercapainya Sustainable Development Goals ke-15 mengenai Ekosistem Darat. Metode yang digunakan untuk memprediksi jumlah kejadian banjir bulanan di Indonesia adalah Long Short Term Memory (LSTM). Metode LSTM dipilih karena memiliki kemampuan untuk memproses data sekuensial dalam jangka waktu yang panjang. Setelah dianalisis, diperoleh hasil peramalan yang sangat akurat, dengan nilai Mean Absolute Persentage Error (MAPE) sebesar 8,04% dan Root Mean Square Error (RMSE) sebesar 5,991. Model juga dapat mengestimasi data training dengan sangat baik, yaitu dengan nilai sebesar 95,71%.
|
| first_indexed | 2024-03-11T18:10:52Z |
| format | Article |
| id | doaj.art-1dd45c069b1949e78f205d71b81eb66b |
| institution | Directory Open Access Journal |
| issn | 2580-8737 2623-064X |
| language | English |
| last_indexed | 2024-03-11T18:10:52Z |
| publishDate | 2023-10-01 |
| publisher | Universitas Islam Raden Rahmat |
| record_format | Article |
| series | G-Tech |
| spelling | doaj.art-1dd45c069b1949e78f205d71b81eb66b2023-10-16T12:44:53ZengUniversitas Islam Raden RahmatG-Tech2580-87372623-064X2023-10-017410.33379/gtech.v7i4.3346Prediksi Jumlah Kejadian Banjir Bulanan di Indonesia Berdasarkan Analisis Long Short Term MemoryAlfredi Yoani0Sediono Sediono1M. Fariz Fadillah Mardianto2Elly Pusporani3Universitas Airlangga, IndonesiaUniversitas Airlangga, IndonesiaUniversitas Airlangga, IndonesiaUniversitas Airlangga, Indonesia Banjir merupakan salah satu bencana alam yang paling umum dan berbahaya di dunia. Terjadinya banjir dapat menyebabkan kehilangan nyawa, hingga ketidakstabilannya perekonomian negara. Di Indonesia sendiri, banjir merupakan bencana alam yang paling sering terjadi sejak tahun 2009. Tingginya frekuensi tersebut menambah urgensi untuk memprediksi jumlah kejadian bencana alam guna membantu pemerintah dan masyarakat dalam mengambil langkah-langkah mitigasi yang tepat, serta membantu percepatan tercapainya Sustainable Development Goals ke-15 mengenai Ekosistem Darat. Metode yang digunakan untuk memprediksi jumlah kejadian banjir bulanan di Indonesia adalah Long Short Term Memory (LSTM). Metode LSTM dipilih karena memiliki kemampuan untuk memproses data sekuensial dalam jangka waktu yang panjang. Setelah dianalisis, diperoleh hasil peramalan yang sangat akurat, dengan nilai Mean Absolute Persentage Error (MAPE) sebesar 8,04% dan Root Mean Square Error (RMSE) sebesar 5,991. Model juga dapat mengestimasi data training dengan sangat baik, yaitu dengan nilai sebesar 95,71%. https://ejournal.uniramalang.ac.id/index.php/g-tech/article/view/3346BanjirLSTMMAPEPrediksiSDGs |
| spellingShingle | Alfredi Yoani Sediono Sediono M. Fariz Fadillah Mardianto Elly Pusporani Prediksi Jumlah Kejadian Banjir Bulanan di Indonesia Berdasarkan Analisis Long Short Term Memory G-Tech Banjir LSTM MAPE Prediksi SDGs |
| title | Prediksi Jumlah Kejadian Banjir Bulanan di Indonesia Berdasarkan Analisis Long Short Term Memory |
| title_full | Prediksi Jumlah Kejadian Banjir Bulanan di Indonesia Berdasarkan Analisis Long Short Term Memory |
| title_fullStr | Prediksi Jumlah Kejadian Banjir Bulanan di Indonesia Berdasarkan Analisis Long Short Term Memory |
| title_full_unstemmed | Prediksi Jumlah Kejadian Banjir Bulanan di Indonesia Berdasarkan Analisis Long Short Term Memory |
| title_short | Prediksi Jumlah Kejadian Banjir Bulanan di Indonesia Berdasarkan Analisis Long Short Term Memory |
| title_sort | prediksi jumlah kejadian banjir bulanan di indonesia berdasarkan analisis long short term memory |
| topic | Banjir LSTM MAPE Prediksi SDGs |
| url | https://ejournal.uniramalang.ac.id/index.php/g-tech/article/view/3346 |
| work_keys_str_mv | AT alfrediyoani prediksijumlahkejadianbanjirbulanandiindonesiaberdasarkananalisislongshorttermmemory AT sedionosediono prediksijumlahkejadianbanjirbulanandiindonesiaberdasarkananalisislongshorttermmemory AT mfarizfadillahmardianto prediksijumlahkejadianbanjirbulanandiindonesiaberdasarkananalisislongshorttermmemory AT ellypusporani prediksijumlahkejadianbanjirbulanandiindonesiaberdasarkananalisislongshorttermmemory |