Prediksi status banjir sungai Ciliwung untuk deteksi dini bencana banjir menggunakan Artificial Neural Network Backpropagation

INDONESIA:

Banjir terjadi ketika Tinggi Muka Air (TMA) melebihi batas normal sehingga meluapnya air sungai mengakibatkan genangan air di daerah yang memiliki dataran rendah. Peringatan dini banjir sangat diperlukan untuk meminimalkan dampak setelah banjir, seperti korban jiwa dan hilangnya harta benda. Peringatan dini bencana banjir dapat dilakukan dengan memanfaatkan data TMA dari Dinas Sumber Daya Air untuk memprediksi TMA 2 jam kemudian dengan mengimplementasikan Artificial Neural Network (ANN). Penelitian ini bertujuan untuk mengukur nilai performa accuracy, precision dan recall menggunakan Artificial Neural Network Backpropagation untuk melakukan prediksi status banjir sungai Ciliwung untuk deteksi dini bencana banjir 2 jam kemudian. Data diambil dari website open data DKI Jakarta tahun 2020 pada 7 titik pemantauan yaitu, Katulampa, Pos Depok, Manggarai, Istiqlal, Jembatan Merah, Flusing Ancol dan Marina Ancol. Perbandingan rasio data training dan testing adalah 60:40. Uji skenario yang akan dilakukan dalam penelitian ini yaitu, jumlah hidden layer, jumlah neuron dalam hidden layer, learning rate dan epoch. Dari penelitian ini, diperoleh arsitektur terbaik yaitu 1 hidden layer dengan 7 neuron input layer, 8 neuron hidden layer dan 1 neuron output layer sehingga diperoleh hasil dari confusion matrix yaitu dengan nilai accuracy 82% dengan kategori baik, precision 82%, dan recall 84% untuk prediksi status banjir 2 jam kemudian.

ENGLISH:
Flooding occurs when the water level exceeds the normal limit so that the overflow of river water causes inundation in areas that have lowlands. Early warning of flood disasters is needed to minimize the impact after flooding, such as casualties and loss of property. Early warning of floods can be done by utilizing water level data from the Water Resources Service to predict water level 2 hours later by implementing Artificial Neural Network (ANN). This study aims to measure the performance value of accuracy, precision and recall using Artificial Neural Network Backpropagation to predict the flood status of the Ciliwung river for early detection of flood disasters 2 hours later. Data had taken from the open data website DKI Jakarta in 2020 at 7 monitoring points namely, Katulampa, Pos Depok, Manggarai, Istiqlal, Jembatan Merah, Flusing Ancol and Marina Ancol. The ratio of training and testing data is 60:40. Scenario tests are the number of hidden layers, number of neurons in hidden layers, learning rate and epoch. From this research, the best architecture is obtained, namely 1 hidden layer with 7 input layer neurons, 8 hidden layer neurons and 1 output layer neuron so that the results obtained from the confusion matrix are with an accuracy value of 82% with a good category, precision 82%, and recall 84% for predicting flood status 2 hours later.

ARABIC:
يحدث الفيضان عندما يتجاوز منسوب المياه الحد الطبيعي بحيث يتسبب فيضان مياه النهر في غمر المناطق ذات الأراضي المنخفضة. هناك حاجة إلى الإنذار المبكر بكوارث الفيضانات لتقليل الآثار بعد الفيضانات ، مثل الإصابات وفقدان الممتلكات. يمكن إجراء الإنذار المبكر للفيضانات من خلال استخدام بيانات مستوى المياه من خدمة الموارد المائية للتنبؤ بمستوى المياه بعد ساعتين من خلال تنفيذ الشبكة العصبية الاصطناعية (ANN). تهدف هذه الدراسة إلى قياس قيمة الأداء من حيث الدقة والدقة والاستدعاء باستخدام الشبكة العصبية الاصطناعية Backpropagation للتنبؤ بحالة الفيضان لنهر Ciliwung للكشف المبكر عن كوارث الفيضانات بعد ساعتين. تم أخذ البيانات من موقع البيانات المفتوحة DKI Jakarta في عام 2020 في 7 نقاط مراقبة وهي Katulampa , Pos Depok , Manggarai , Istiqlal , Jembatan Merah , Flusing Ancol & Marina Ancol. نسبة بيانات التدريب والاختبار 60:40. اختبارات السيناريو هي عدد الطبقات المخفية وعدد الخلايا العصبية في الطبقات المخفية ومعدل التعلم والعصر. من هذا البحث ، تم الحصول على أفضل بنية ، وهي طبقة مخفية واحدة بها 7 خلايا عصبية لطبقة الإدخال ، و 8 خلايا عصبية لطبقة مخفية و 1 خلية عصبية لطبقة الإخراج ، بحيث تكون النتائج التي تم الحصول عليها من مصفوفة الارتباك بدقة تصل إلى 82٪ مع فئة جيدة ، الدقة 82٪ ، واسترجاع 84٪ للتنبؤ بحالة الفيضان بعد ساعتين.