Penerapan Deteksi Bencana Banjir Menggunakan Metode Machine Learning
DOI:
https://doi.org/10.22441/format.2021.v10.i2.002Keywords:
Bencana Alam, Bencana Banjir, Data Mining, Naive BayesAbstract
Bencana alam dapat di definisikan sebagai sebuah kejadian yang tidak terduga terjadi nya, hal tersebut sering terjadi di Indonesia terutama bencana banjir yang terjadi dalam kurun waktu 5 tahunan namun akhir-akhir ini bencana banjir tersebut sudah dapat dirasakan hampir setiap tahun di beberapa bagian wilayah di indonesia. Banjir dapat diartikan sebagai suatu kejadian yang hadir dengan tiba-tiba secara cukup cepat di mana tidak tertampungnya debit air dalam saluran pembuangan (palung sungai) atau terhambatnya aliran debit air yang menuju ke laut di dalam saluran pembuangan, sehingga daerah yang terhambat dengan debit air mengakibatkan meluapnya debit air pada saluran penampungan pada beberapa daerah sekitarnya dan merupakan salah satu bencana alam yang terjadi dengan waktu yang tak terduga tidak dapat dicegah, karena hal tersebut maka perlu diupayakan sebuah penerapan untuk mendeteksi bagaimana dapat menanggulangi bencana banjir untuk tahun-tahun selanjutnya untuk mengurangi dampak kerugian yang diakibatkannya bagi populasi manusia. Pada penelitian ini dilakukan bagaimana dapat mendeteksi bencana banjir yang telah terjadi di bulan sebelumnya agar pada tahun ini dan tahun selanjutnya pihak yang terkait dan masyarakat sekitar daerah tersebut dapat mengetahui seberapa besarnya dampak bencana banjir yang akan terjadi. Penelitian kali ini menggunakan metode Data Mining dengan algoritma yang digunakan adalah algoritma Naïve Bayes. Hasil yang di hasilkan dalam penelitian ini adalah 76,73% dengan menggunakan algoritma Naïve Bayes untuk ke accuracyan nya. Namun tools yang digunakan belum mampu memprediksi hari terjadinya bencana banjir.
Downloads
References
Amril Mutoi Siregar. PENERAPAN ALGORITMA K-MEANS UNTUK PENGELOMPOKAN DAERAH RAWAN BENCANA DI INDONESIA. Universitas Buana Perjuangan Karawang
Rahayu, Harkunti P., I. I. Wahdiny, A. Utami dan M. Asparini. 2009. Banjir dan Upaya Penanggulangannya. Bandung : PROMISE Indonesia
Ligal, S. 2008. Pendekatan Pencegahan dan Penanggulangan Banjir. Jurnal. Dinamika Teknik Sipil Volume 8, No. 2 Juli 2008
FoxNews,(http://www.foxnews.com/story/2007/ 09/04/nasa-global-warming-tocausemore-severe-tornadoes-storms.html), diakses tanggal 10 Desember 2017.
Bayong, T. H. K. 1999. Klimatologi Umum. Bandung: ITB.
Purnamasari, Detty, Jonathan H, Yoga Perdana S, Fuji Ihsani, and I wayan S Wicaksana. Get Easy Using Weka. Jakarta Timur: Dapur Buku, 2013.
Yudhi Andrian, Erlinda Ningsih. "Prediksi Curah Hujan Di Kota Medan Menggunakan Metode Backpropagation Neural Network." Seminar Nasional Informatika. Medan: e-joyrnal potensi utama, 2014.
Cici Oktaviani, Afdal. "Prediksi Curah Hujan Bulanan Menggunakan Jaringan Syaraf Tiruandengan beberapa Fungsi Pelatihan Backpropagation." Jurnal fisika Unand, 2014: 228-237.
Arief Andy Soebroto, Imam Cholissodin, Randy Cahya Wihandika, Ziya El Arief. "Prediksi Tinggi Muka Air (TMA) Untuk Deteksi Dini Bencana Banjir Menggunakan SVRTVIWPSO." Jurnal Teknologi Informasi dan Ilmu Komputer, 2015: 79-86
Santosa, Budi. Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta : Graha Ilmu, 2007.
Han, J., and M.Kamber. 2006. Data Mining Concept and Techniques Second Edition. San Frasisco : Elsevier.
Larose, Daniel T. Data Mining Methods and Models. Canada : A Jhon Willey & Sons, Inc.,Publication, 2005.
Downloads
Published
How to Cite
Issue
Section
License
- Attribution (BY): You must give appropriate credit to the original creator, provide a link to the license, and indicate if you made any changes.
- ShareAlike (SA): If you remix, transform, or build upon the material, you must distribute your new creation under the same or a compatible license (such as CC BY-SA 4.0).
- No Additional Restrictions: You cannot apply legal terms or technological measures that legally restrict others from doing anything the license permits.
- Share: Copy and redistribute the material in any medium or format.
- Adapt: Remix, transform, and build upon the material to create new works (like artwork, code, or documentation).
- Commercial Use: You can use and sell your adaptations or distributions commercially, provided you respect the ShareAlike condition.
- Irrevocable: Once granted by the creator, the license cannot be taken back as long as you comply with its terms.
- No Warranties: The material is provided "as-is," and the licensor gives no guarantees or warranties regarding your use of the work.
- Official Reference: You can read the full legal summary on the Creative Commons Attribution-ShareAlike 4.0 International Deed.