Prediksi Kejadian Banjir Di Wilayah Kota Bandar Lampung Dengan Metode Artificial Neural Network

Ramadhan Nurpambudi, RZ. Abdul Aziz

Abstract


Badan Meteorologi Dunia (WMO) menyatakan bahwa bencana yang berasal dari cuaca dan juga iklim selama 50 tahun terakhir menelan korban rata-rata 150 jiwa setiap tahunnya dengan kerugian materil mencapai US$ 202 juta setiap harinya.  Jumlah bencana ini meningkat hampir 3 kali lipat selama periode 50 tahun terakhir. Dampak perubahan iklim yang paling dirasakan adalah terjadinya peningkatan frekuensi kejadian bencana hidrometeorologi beserta kerusakannya.  Hal ini tidak hanya berdampak pada kerusakan lingkungan saja namun berimbas terhadap penyebaran penyakit, kualitas lingkungan, dan juga tingkat kesejahteraan sosial di tengah masyarakat. Artificial Neural Network digunakan untuk menganalisis pola kejadian banjir di wilayah Kota Bandar Lampung dengan software matlab untuk mendapatkan formula yang paling baik untuk dapat memprediksi kejadian banjir. Parameter yang digunakan untuk menganalisis kejadian banjir adalah suhu udara dan jumlah curah hujan. Berdasarkan analisis yang telah dilakukan didapatkan bahwa proses konfigurasi variabel data yang dilakukan secara eksperimen dapat menghasilkan nilai korelasi atau R yang baik, baik itu saat proses pelatihan maupun pengujian. Nilai korelasi atau R saat pelatihan dan pengujian berada diangka 0.9 keatas. Konfigurasi 2 merupakan konfigurasi dengan hasil akurasi terbaik mencapai 100% saat proses pengujian variabel data. Konfigurasi 2 kemudian digunakan untuk proses prediksi banjir dengan menggunakan skema kondisi suhu udara dan curah hujan yang telah disiapkan. Prediksi kejadian banjir pada rata-rata suhu udara 24-26˚C menujukkan hasil yang sangat baik, untuk rata-rata suhu udara 27˚C juga baik namun pada saat jumlah curah hujan 150mm prosentasenya mengalami penurunan yang cukup signifikan. Pada kondisi rata-rata suhu udara 28-29˚C prosentase kejadian banjir paling besar hanya 50%.

Keywords : Banjir; Hujan; Prediksi; Artificial Neural Network; Peringatan Dini


Full Text:

PDF

References


Abdulagatov, M., Ahmad, M., Al Mehedi, A., Md, M., Yazdan, S., & Kumar, R. (2022). Development of Machine Learning Flood Model Using Artificial Neural Network (ANN) at Var River. https://doi.org/10.3390/liquids2030010

Afzalimehr, E. S. T. & H. (2021). Artificial neural network and multi-criteria decision-making models for flood simulation in GIS: Mazandaran Province, Iran. Stochastic Environmental Research and Risk Assessment. https://doi.org/https://doi.org/10.1007/s00477-021-01997-z

Arnold, J. . (1999). Soil Moisture.

Astuti, E. D. (2009). Pengantar Jaringan Saraf Tiruan. Star Publishing.

Ecodrainage, M., Ekosistem, P., Tungu, D., Girimulyo, D., Panggang, K., Gunungkidul, K., Santoso, D. H., Artikel, S., & Kunci, K. (2019). Penanggulangan Bencana Banjir Berdasarkan Tingkat Kerentanan dengan Metode Ecodrainage Pada Ekosistem Karst di Dukuh Tungu, Desa Girimulyo, Kecamatan Panggang, Kabupaten Gunungkidul, DIY. Jurnal Geografi, 16(1), 7–15. https://doi.org/10.15294/jg.v16i1.17136

Falah, F., Rahmati, O., Rostami, M., Ahmadisharaf, E., Daliakopoulos, I. N., & Pourghasemi, H. R. (2019). Artificial Neural Networks for Flood Susceptibility Mapping in Data-Scarce Urban Areas. Spatial Modeling in GIS and R for Earth and Environmental Sciences, 323–336. https://doi.org/10.1016/B978-0-12-815226-3.00014-4

Febus Reidj G. Cruz; Matthew G. Binag; Marlou Ryan G. Ga; Francis Aldrine A. Uy. (2018). Flood Prediction Using Multi-Layer Artificial Neural Network in Monitoring System with Rain Gauge, Water Level, Soil Moisture Sensors. TENCON 2018 - 2018 IEEE Region 10 Conference. https://doi.org/10.1109/TENCON.2018.8650387

Graupe, D. (2007). Principles of Artificial Neural Networks: Vol. Vol. 6, 2n. World Scientific Publishing Co. Pte. Ltd., Singapore.

Harjono, W. M. (2004). Pokok- Pokok Fisika SMP Untuk Kelas VIII. Erlangga.

Harkunti P Rahayu, I Wahdiny, U Anin, A. M. (2009). Banjir dan Upaya penanggulanganya. Bandung: Promise Indonesia.

Heizer, J. (2017). Sustainability and Supply Chain Management. Pearson.

Jong Jek Siang. (2009). Jaringan Syaraf Tiruan & Pemrogramannya Menggunakan MATLAB. Andi Yogyakarta.

Kurniadi, Y U., et al. (2020). Peran Pangkalan Udara Pangeran M. Bun Yamin Bandar Lampung dalam penanggulangan bencana guna mendukung keamanan nasional. Nusantara: Jurnal Ilmu Pengetahuan Sosial, 7(2), 408–420.

Kusrini, & Luthfi, E. T. (2009). Algoritma Data Mining. Andi Yogyakarta.

Lakitan, B. (1994). Dasar-Dasar Klimatologi. Raja Grafindo Persada.

Mysiak, J., Castellari, S., Kurnik, B., Swart, R., Pringle, P., Schwarze, R., Wolters, H., Jeuken, A., & Van Der Linden, P. (2018). Brief communication: Strengthening coherence between climate change adaptation and disaster risk reduction. Natural Hazards and Earth System Sciences, 18(11), 3137–3143. https://doi.org/10.5194/nhess-18-3137-2018

Ruhhee Tabbussum & Abdul Qayoom Dar. (2021). Performance evaluation of artificial intelligence paradigms—artificial neural networks, fuzzy logic, and adaptive neuro-fuzzy inference system for flood prediction. Environmental Science and Pollution Research. https://doi.org/https://doi.org/10.1007/s11356-021-12410-1

Santosa. (2007). Data Mining : Teknik Pemanfaatan Data Untuk Keperluan Bisnis Teori & Aplikasi. Graha Ilmu.

Sebastian, L. (2008). Pendekatan Pencegahan dan Penanggulangan Banjir. Jurnal Dinamika Teknik Sipil, Volume 8 N.

Suripin. (2003). Sistem Drainase Perkotaan Yang Berkelanjutan. ANDI., 2004.

Swarinoto, Y. S., & Sugiyono, S. (2011). Pemanfaatan Suhu Udara Dan Kelembapan Udara Dalam Persamaan Regresi Untuk Simulasi Prediksi Total Hujan Bulanan Di Bandar Lampung. Jurnal Meteorologi Dan Geofisika, 12(3), 271–281. https://doi.org/10.31172/jmg.v12i3.109

Tukidi. (2010). Karakter Curah Hujan di Indonesia. Jurnal Geografi FIS UNNES, 7(2), 136–145.

Wibowo, H. (2008). Desain Prototipe Alat Pengukur Curah Hujan Jarak Jauh Dengan Pengendali Komputer. Universitas Jember.

Wirjohamidjojo, S. & Y. S. S. (2007). Praktek Meteorologi Pertanian. Badan Meteorologi dan Geofisika.

World Meteorological Organization. (2019). WMO Atlas of Mortality and Economic Losses From Weather , Climate and Water Extremes (Issue 1267). https://library.wmo.int/doc_num.php?explnum_id=10902


Refbacks

  • There are currently no refbacks.


Prosiding Seminar Nasional Darmajaya is abstracting and indexing in the following databases:

PROSIDING SEMINAR NASIONAL DARMAJAYA

Diatur Oleh: Lembaga Penelitian dan Pengabdian kepada Masyarakat (LPPM)

Diterbitkan Oleh: IIB Darmajaya
Alamat: Jl. Z.A. Pagar Alam No. 93 Gedong Meneng, Bandar Lampung Lampung
Website: jurnal.darmajaya.ac.id

E-mail: ProsidingSemnasDJ@darmajaya.ac.id