PEMODELAN MULTIVARIABEL DENGAN PENDEKATAN MACHINE LEARNING UNTUK DETEKSI BENCANA BANJIR DI KABUPATEN GARUT

Faridah, Salma Dewi Nur (2024) PEMODELAN MULTIVARIABEL DENGAN PENDEKATAN MACHINE LEARNING UNTUK DETEKSI BENCANA BANJIR DI KABUPATEN GARUT. Sarjana thesis, Universitas Siliwangi.

[img] Text
1. cover.pdf
Download (78kB)
[img] Text
2. pengesahan.pdf
Download (211kB)
[img] Text
3. penguji.pdf
Download (169kB)
[img] Text
4. pernyataan.pdf
Download (176kB)
[img] Text
5. abstrak.pdf
Download (11kB)
[img] Text
6. halaman persembahan.pdf
Download (118kB)
[img] Text
7. kataa pengantar.pdf
Download (75kB)
[img] Text
8. daftar isi.pdf
Download (93kB)
[img] Text
9. bab 1.pdf
Download (133kB)
[img] Text
10. bab 2.pdf
Download (596kB)
[img] Text
11. bab 3.pdf
Download (229kB)
[img] Text
12. bab 4.pdf
Restricted to Repository staff only
Download (849kB)
[img] Text
13. bab 5.pdf
Restricted to Repository staff only
Download (56kB)
[img] Text
14. daftar pustaka.pdf
Download (182kB)
[img] Text
15. lampiran.pdf
Restricted to Repository staff only
Download (2MB)

Abstract

Kabupaten Garut sering menghadapi bencana banjir yang dipengaruhi oleh berbagai faktor cuaca. Permasalahan utama dalam penelitian ini adalah bagaimana membangun model deteksi banjir yang efektif dengan memanfaatkan multivariabel cuaca, seperti suhu, kelembapan, curah hujan, kecepatan angin, dan arah angin, serta bagaimana menganalisis performa algoritma Machine Learning untuk menentukan model yang paling unggul dalam generalisasi data. Maka solusinya adalah membangun pemodelan multivariabel dengan pendekatan Machine Learning dan berkontribusi pada penelitian bencana dengan pendekatan Machine Learning Penelitian ini bertujuan membangun model deteksi banjir berbasis multivariabel menggunakan pendekatan Machine Learning dengan algoritma K Nearest Neighbor (KNN) dan Random Forest (RF). Data cuaca yang diperoleh dari BMKG meliputi suhu (temperatur), kelembapan, curah hujan, kecepatan angin, dan arah angin, serta data kejadian banjir dari BPBD Kabupaten Garut. Kedua sumber data ini digabungkan dan diolah untuk membentuk dataset yang representatif. Proses penelitian diawali dengan pengolahan data, termasuk integrasi data cuaca dan banjir, pembersihan data, serta transformasi untuk memastikan kelayakan analisis. Dataset yang telah siap kemudian digunakan untuk pelatihan dan pengujian algoritma KNN dan RF. Kedua algoritma ini diaplikasikan guna mengidentifikasi pola hubungan multivariabel dengan kejadian banjir, serta mengevaluasi kinerjanya berdasarkan akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma KNN memiliki akurasi sebesar 89.29% pada data uji dan 94.92% pada data latih, dengan nilai k optimal pada 4. Sebaliknya, algoritma Random Forest memberikan akurasi 89.29% pada data uji dan 100% pada data latih, dengan n_estimators sebesar 100. Penelitian ini menyimpulkan bahwa Random Forest lebih stabil dan unggul dibandingkan KNN dalam generalisasi data, sehingga model yang dihasilkan diharapkan dapat menjadi alat mitigasi risiko banjir yang akurat di Kabupaten Garut. Kata kunci: Deteksi Banjir, Model Multivariabel, Machine learning

Item Type: Thesis (Sarjana)
Subjects: T Technology > T Technology (General)
Divisions: Fakultas Teknik > Informatika
Depositing User: Lelis Masridah
Date Deposited: 20 Jan 2025 07:52
Last Modified: 20 Jan 2025 07:52
URI: http://repositori.unsil.ac.id/id/eprint/14931

Actions (login required)

View Item View Item