Penentuan tingkat kerusakan sektor pasca bencana alam menggunakan metode topsis berbasis Machine Learning

ABSTRAK :

Salah satu kerugian yang disebabkan oleh bencana alam adalah kerusakan dari sektor bangunan. Pada umumnya, penentuan tingkat kerusakan bangunan setelah terjadinya bencana dilakukan oleh tim surveyor. Akan tetapi, seringkali terjadi ketidakakuratan data dengan yang terjadi di lapangan, akibat penilaian subjektif yang menyebabkan pengkategorian data menjadi berbeda. Oleh karena itu, pada penelitian ini dilakukan implementasi untuk menentukan tingkat kerusakan sektor pasca bencana alam. Penelitian ini dilakukan dengan tujuan untuk mengefisiensi waktu dan membantu tim surveyor dalam menentukan tingkat kerusakan sektor setelah terjadinya bencana alam. Data yang digunakan pada penelitian ini merupakan data kejadian bencana alam dari Badan Penanggulangan Bencana Daerah (BPBD) Kota Malang. Ada 2 metode yang digunakan, antara lain metode TOPSIS, yang digunakan untuk mengolah data training untuk model machine learning, serta forward propagation in neural network, yang merupakan metode machine learning dan digunakan dalam pengujian data. Hasil dari penelitian ini terdiri dari 25 model yang dibedakan berdasarkan jumlah epoch dan hidden layer. Hasil akurasi terbesar didapatkan oleh model E5 dengan epoch 125 dan 5 hidden layer, yang menghasilkan nilai MSE 0,06, MAPE 3%, dan akurasi 97%. Sehingga, dapat disimpulkan bahwa pada forward propagation in neural network, jumlah hidden layer dan epoch berpengaruh pada besar akurasi perhitungan metode yang dihasilkan. Semakin banyak jumlah epoch dan hidden layer, maka tingkat akurasi sistem juga akan semakin besar.

ABSTRACT :

One of the losses that can be caused by natural disasters is damage to the building sector. Usually, the determination of the damage level of the building sector after a disaster is carried out by a surveyor team. However, there are many data inaccuracies compared to what happens in the field, due to subjective assessments which can cause data to be categorized differently. Therefore, in this study, an implementation was carried out to determine the sector damage level after a natural disaster. This research was conducted with the aim of saving time and assisting the surveyor team in determining the sector damage level after a natural disaster. The data used in this study is natural disaster events data from the Regional Disaster Management Agency of Malang City. There are 2 methods used, including the TOPSIS method, which is used to process training data for machine learning models, and forward propagation in neural networks, which is a machine learning method and is used in data testing. The results of this study consist of 25 models that are distinguished by the number of epochs and hidden layers. The highest accuracy results were obtained by the E5 model with epoch 125 and 5 hidden layers, which produced an MSE value of 0.06, MAPE 3%, and an accuracy of 97%. Thus, it can be concluded that in forward propagation in a neural network, the number of hidden layers and epochs has an effect on the accuracy of the method calculations results. The greater the number of epochs and hidden layers, the greater the level of system accuracy.