Prediksi Banjir dengan Artificial Intellegence
Prediksi Banjir dengan Artificial Intellegence
Kali ini saya ingin membahas sedikit tentang kecerdasan buatan yang mampu memprediksi banjir. Mengapa banjir? Saya ingin membahas masalah banjir karena banjir merupakan masalah yang cukup sulit diatasi di tanah air kita tercinta, bahkan hingga saat postingan ini saya buat. Pada saat postingan ini dibuat kita baru saja memasuki tahun 2020, namun pada awal tahun, tepatnya malam pergantian tahun beberapa daerah di Indonesia khususnya Jabodetabek mengalami hujan deras hingga pagi hari, bahkan di beberapa daerah khususnya Jakarta hujan tersebut turun sedari sore hari. Alhasil saat fajar tiba beberapa daerah yang mengalami hujan tadi terkena banjir yang cukup parah. Akibat dari banjir tersebut banyak saudara-saudara kita yang harus menelan pil pahit. Ada cukup banyak kerugian yang ditimbulkan akibat banjir di antaranya adalah terganggunya rutinitas, kerugian materi tentunya, kerugian waktu, dan kerap sekali bermunculan penyakit-penyakit akibat dari banjir seperti diare contohnya.
Baiklah langsung saja kita bahas tentang kecerdasan buatan yang mampu mempediksi banjir. Sebelumnya saya ingin menginfokan bahwa materi yang akan menjadi bahasan saya pada blog ini berasal dari sebuah jurnal yang terlampir di daftar pustaka di bawah. Dalam jurnal yang saya gunakan prediksi banjir didasari oleh ketinggian muka air di hulu yang akan mempengaruhi kondisi muka air di hilir. Objek yang digunakan adalah ketinggian muka air dengan menggunakan pendekatan deterministik yaitu sebab akibat. Sebagai tambahan pada jurnal yang saya gunakan pemodelan dilakukan dengan meggunakan Artificial Neural Network (Kecerdasan Jaringan Syaraf Tiruan).
Dalam pemdelan prediksi banjir ini pemodelan dilakukan dengan menggunakan jaringan syaraf tiruan dengan metode peramalan dan menggunakan curah hujan, tinggi muka air, dan banjir sebagai objek uji cobanya. jaringan syaraf tiruan yang digunakan adalah jaringan syaraf tiruan radial basis function (RBF) yaitu salah satu algoritma berbasis jaringan saraf yang dapat digunakan untuk pengambilan keputusan. jaringan syaraf tiruan radial basis function digunakan karena memiliki fitur-fitur yang cukup membantu diantaranya adalah:
1. Pengujian & pembelajaran yang cepat.
2. Interpolasi jaringan yang baik.
3. Terdapat dua lapisan yang bersifat feed-forward.
4. Lapisan tersembunyi menggunakan fungsi Gausstian.
5. Keluaran lapisan mengimplementasikan fungsi linear yang sama seperti multilayer preceptron.
6. Jaringan pengujian dibagi menjadi 2 bagian.
Dalam model ini juga derdapat perancangan sistemnya. Perancangan tersebut menjelaskan tahapan sistem yang telah dibuat, berikut adalah gambar perancangan sistem secara umum:
Gambar tersebut menjelaskan proses prediksi banjir
menggunakan jaringan syaraf tiruan RBF, Adapun langkah-langkah yang dilakukan
adalah pencarian dan pengumpulan data tinggi muka air dan data curah hujan yang
akan digunakan sebagai data pelatihan dan data pengujian. Setelah data berhasil
dikumpulkan, dilakukan proses pembersihan data lalu dilakukan transformasi data
agar data-data tersebut lebih mudah untuk diproses. Kemudian data tersebut
dibagi menjadi data latih dan data uji dengan perbandingan 50:50.
Dalam model tersebut juga dilakukan beberapa pengujian untuk mendapatkan hasil yang akurat. beberapa pengujian yang dilakukan di antaranya adalah:
1. Pengujian Jumlah Hidden Neuron
Pengujian dilakukan untuk
mengetahui pengaruh jumlah hidden neuron terhadap
performansi jaringan yang telah dibuat, dan mencari jumlah hidden neuron terbaik yang akan digunakan untuk proses pelatihan.
2. Pengujian Nilai Learning Rate
Pengujian dilakukan untuk
mengetahui pengaruh nilai learning rate terhadap
performansi jaringan yang telah dibuat, dan mencari nilai learning rate terbaik yang akan digunakan untuk proses pelatihan.
3. Pengujian Nilai Spread Constant
Pengujian dilakukan untuk
mengetahui pengaruh nilai spread constant
terhadap performansi jaringan yang telah dibuat, dan mencari nilai spread constant terbaik yang akan
digunakan untuk proses pelatihan.
4. Pengujian Jumlah Epoch
Pengujian dilakukan untuk
mengetahui pengaruh jumlah epoch terhadap
performansi jaringan yang telah dibuat, dan mencari jumlah maksimum epoch
terbaik yang akan digunakan untuk proses pelatihan.
5. Pengujian Nilai Target Error
Pengujian dilakukan untuk
mengetahui pengaruh nilai target error terhadap
performansi jaringan yang telah dibuat, dan mencari nilai target error terbaik yang akan digunakan untuk
proses pelatihan.
Jadi pemodelan tersebut menggunakan jaringan syaraf buatan yang sudah dilatih dengan data tinggi permukaan air dan data curah hujan untuk memprediksi tinggi permukaan air dan curah hujan untuk waktu kira-kira satu bulan. kesimpulannya adalah ternyata masih ada cara untuk mengatasi banjir yaitu dengan teknologi, saya paham bahwa semua tidaklah mudah maka dari itu kita harus tetap berusaha, berinovasi dan menjaga lingkungan tentunya agar dapat mencegah dan meminimalkan banjir tentunya. Sekian Wassalam.
Daftar Pustaka:
Komentar
Posting Komentar