<> "The repository administrator has not yet configured an RDF license."^^ . <> . . . "PENGEMBANGAN MODEL PREDIKSI CUACA DAN POTENSI\r\nBANJIR DI KABUPATEN SLEMAN MENGGUNAKAN METODE\r\nCATBOOST DAN LONG SHORT-TERM MEMORY (LSTM)"^^ . "Perkembangan teknologi kecerdasan buatan telah membuka peluang besar dalam \r\nprediksi cuaca dan mitigasi risiko bencana banjir, terutama di daerah yang rentan terhadap\r\nperubahan iklim seperti Kota Sleman. Tesis ini memperkenalkan model prediksi cuaca\r\ndan potensi banjir dengan memanfaatkan algoritma CatBoost dan LSTM (Long ShortTerm\r\nMemory),\r\nyang\r\ndikembangkan\r\nuntuk\r\nmemodelkan\r\nketergantungan\r\ntemporal\r\ndari\r\n\r\ndata\r\n\r\nmeteorologi dan kejadian bencana dengan lebih akurat. Arsitektur ini dirancang\r\nuntuk memahami pola cuaca yang dapat memicu banjir, memberikan prediksi yang lebih\r\nhandal bagi sistem peringatan dini.\r\n\r\nStudi ini mengumpulkan dan mengintegrasikan data cuaca historis dan data\r\nkejadian banjir di Kota Sleman dari Januari 2020 hingga Mei 2024. Dengan\r\nmenggunakan dataset tersebut, penelitian ini mengeksplorasi dan membandingkan\r\nperforma model CatBoost dan LSTM melalui serangkaian eksperimen yang\r\nkomprehensif, termasuk variasi parameter seperti kedalaman pohon keputusan, jumlah\r\nunit tersembunyi, dan ukuran batch. Evaluasi model dilakukan menggunakan metrik\r\nakurasi, precision, recall, serta error seperti Mean Absolute Error (MAE) dan Root Mean\r\nSquare Error (RMSE) untuk menentukan konfigurasi optimal.\r\n\r\nHasil analisis menunjukkan bahwa model LSTM memberikan performa terbaik\r\ndalam memprediksi kondisi cuaca yang berpotensi menyebabkan banjir, dengan RMSE\r\nrata-rata sebesar 1.75 dan MAE rata-rata sebesar 1.30, menunjukkan kemampuan LSTM\r\nuntuk menangkap pola temporal dalam data cuaca. Model CatBoost juga menunjukkan\r\nkinerja yang baik, khususnya dalam menangani fitur kategorikal dan mengidentifikasi\r\nvariabel cuaca yang paling berpengaruh terhadap risiko banjir. Berdasarkan hasil\r\nevaluasi, konfigurasi optimal model dicapai dengan kedalaman pohon keputusan 8 dan\r\n100 epoch pada LSTM, menghasilkan prediksi dengan tingkat kesalahan rendah."^^ . "2025-01-03" . . . "Universitas AMIKOM Yogyakarta"^^ . . . "Pascasarjana Teknik Informatika, Universitas AMIKOM Yogyakarta"^^ . . . . . . . . <> . . "Ema"^^ . "Utami"^^ . "Ema Utami"^^ . . "Fail"^^ . "Amir"^^ . "Fail Amir"^^ . . "Universitas AMIKOM Yogyakarta"^^ . . . . . . . "PENGEMBANGAN MODEL PREDIKSI CUACA DAN POTENSI\r\nBANJIR DI KABUPATEN SLEMAN MENGGUNAKAN METODE\r\nCATBOOST DAN LONG SHORT-TERM MEMORY (LSTM) (Text)"^^ . . . . . "22.51.1184 Fail Amir.pdf"^^ . . "HTML Summary of #31755 \n\nPENGEMBANGAN MODEL PREDIKSI CUACA DAN POTENSI \nBANJIR DI KABUPATEN SLEMAN MENGGUNAKAN METODE \nCATBOOST DAN LONG SHORT-TERM MEMORY (LSTM)\n\n" . "text/html" . . . "000 Ilmu komputer, informasi dan pekerjaan umum"@en . .