PENGEMBANGAN MODEL PREDIKSI CUACA DAN POTENSI BANJIR DI KABUPATEN SLEMAN MENGGUNAKAN METODE CATBOOST DAN LONG SHORT-TERM MEMORY (LSTM)

Amir, Fail (2025) PENGEMBANGAN MODEL PREDIKSI CUACA DAN POTENSI BANJIR DI KABUPATEN SLEMAN MENGGUNAKAN METODE CATBOOST DAN LONG SHORT-TERM MEMORY (LSTM). S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text (THESIS) 22.51.1184 Fail Amir.pdf - Published Version Download (3MB)

Abstract

Perkembangan teknologi kecerdasan buatan telah membuka peluang besar dalam prediksi cuaca dan mitigasi risiko bencana banjir, terutama di daerah yang rentan terhadap perubahan iklim seperti Kota Sleman. Tesis ini memperkenalkan model prediksi cuaca dan potensi banjir dengan memanfaatkan algoritma CatBoost dan LSTM (Long ShortTerm Memory), yang dikembangkan untuk memodelkan ketergantungan temporal dari data meteorologi dan kejadian bencana dengan lebih akurat. Arsitektur ini dirancang untuk memahami pola cuaca yang dapat memicu banjir, memberikan prediksi yang lebih handal bagi sistem peringatan dini. Studi ini mengumpulkan dan mengintegrasikan data cuaca historis dan data kejadian banjir di Kota Sleman dari Januari 2020 hingga Mei 2024. Dengan menggunakan dataset tersebut, penelitian ini mengeksplorasi dan membandingkan performa model CatBoost dan LSTM melalui serangkaian eksperimen yang komprehensif, termasuk variasi parameter seperti kedalaman pohon keputusan, jumlah unit tersembunyi, dan ukuran batch. Evaluasi model dilakukan menggunakan metrik akurasi, precision, recall, serta error seperti Mean Absolute Error (MAE) dan Root Mean Square Error (RMSE) untuk menentukan konfigurasi optimal. Hasil analisis menunjukkan bahwa model LSTM memberikan performa terbaik dalam memprediksi kondisi cuaca yang berpotensi menyebabkan banjir, dengan RMSE rata-rata sebesar 1.75 dan MAE rata-rata sebesar 1.30, menunjukkan kemampuan LSTM untuk menangkap pola temporal dalam data cuaca. Model CatBoost juga menunjukkan kinerja yang baik, khususnya dalam menangani fitur kategorikal dan mengidentifikasi variabel cuaca yang paling berpengaruh terhadap risiko banjir. Berdasarkan hasil evaluasi, konfigurasi optimal model dicapai dengan kedalaman pohon keputusan 8 dan 100 epoch pada LSTM, menghasilkan prediksi dengan tingkat kesalahan rendah.

Actions (login required)

View Item