IDENTIFIKASI POTENSI DAN MITIGASI BENCANA BANJIR DI KOTA MALANG DENGAN METODE NEURAL NETWORK LEARNING VECTOR QUANTIZATION
| Main Author: | Kartika Devi Suraningtyas; Mahasiswa |
|---|---|
| Format: | PeerReviewed eJournal |
| Bahasa: | ind |
| Terbitan: |
SKRIPSI Jurusan Teknik Elektro - Fakultas Teknik UM
, 2018
|
| Online Access: |
http://karya-ilmiah.um.ac.id/index.php/TE/article/view/75956 |
Daftar Isi:
- RINGKASAN Suraningtyas, Kartika Devi. 2018. Identifikasi Potensi dan Mitigasi BencanaBanjir di Kota Malang dengan Metode Neural Network Learning VectorQuantization. Skripsi, Program Studi Teknik Informatika, Jurusan TeknikElektro, Fakultas Teknik, Universitas Negeri Malang. Pembimbing: (I) Dr.Eng. Muhammad Ashar, S.T, M.T., (II) I Made Wirawan, S.T., S.S.T., M.T. Kata Kunci: identifikasi potensi, banjir, neural network, learning vectorquantization Banjir merupakan bencana yang sering terjadi Indonesia dengan persentase kejadian 34% dari 33 provinsi yang ada. Jawa Timur adalah provinsi yang paling sering mengalami bencana banjir dengan persentase kejadian 36% yang tersebar di seluruh provinsi. Di Kota Malang, terdapat 33 titik rawan banjir yang tersebar diseluruh kelurahan di Kota Malang. Bencana ini tentu saja merugikan masyarakat baik materi maupun psikis sehingga memerlukan penanganan untuk mengurangi resiko kerugian yang dialami karena bencana. Penelitian dilakukan dengan menggunakan metode eksperimen simulasi dengan teknik pemrosesan data menggunakan metode neural network learning vector quantization yang merupakan salah satu algoritma yang dapat digunakan untuk mengidentifikasi potensi bencana banjir. Oleh karena itu “Identifikasi Potensi dan Mitigasi Bencana Banjir di Kota Malang dengan Metode Neural Network Learning Vector Quantization.” dilakukan sebagai salah satu upaya mitigasi dalam mengurangi kerugian yang disebabkan oleh bencana banjir. Identifikasi potensi dan mitigasi bencana banjir dilakukan dengan menggunakan variabel ketinggian, drainase, dan curah hujan. Hasil penelitian berupa identifikasi potensi banjir dan tidak banjir pada tiap kelurahan. Hasil identifikasi tersebut dievaluasi menggunakan confusion matrix. Hasil identifikasi paling optimal didapatkan akurasi 86,27%, sensitivitas 74,08%, spesifikasi 87,72%, dan error rate 13,73 dengan parameter learning rate 0,1, pengurang learning rate 0,01, minimal learning rate 0,0000001, maksimal epoch 10, perbandingan komposisi 70% data latih, 30% data uji dari keseluruhan data sebanyak 285 dataset.