ANALISIS PENERAPAN ARTIFICIAL NEURAL NETWORK (ANN) DAN RECURRENT NEURAL NETWORK (RNN) DENGAN INISIALISASI NGUYEN-WIDROW PADA APLIKASI MONITORING BANJIR DAN GEMPA

Banjir dan gempa memiliki parameter-parameter yang dapat diamati dengan Internet of Things (IoT). Hasil dari pemantauan dengan IoT adalah berupa data yang dapat diolah untuk mendapatkan peringatan banjir dan gempa. Dalam penelitian ini, model neural network digunakan untuk mengolah data tersebut. Model neural network yang digunakan yaitu ANN dan RNN. Dalam penelitian ini juga, model LSTM yang merupakan jenis dari RNN digunakan sebagai pembanding RNN. Inisialisasi bobot dan bias model-model tersebut menggunakan Nguyen-Widrow. ANN, RNN, dan LSTM berturut-turut digunakan untuk deteksi banjir dan gempa, prediksi tinggi air, dan sebagai pembanding RNN dalam memprediksi tinggi air. Model-model tersebut dirancang melalui trial and error hingga menemukan parameter model yang optimal. Hasil eksperimen menunjukkan bahwa model ANN untuk deteksi banjir memiliki rata-rata akurasi training 0,9969 dan testing 0,9991. Model ANN untuk deteksi gempa memiliki rata-rata akurasi training 0,9967 dan testing 0,9987. Model RNN untuk prediksi tinggi air memiliki hasil yang lebih baik dibandingkan model LSTM. Model-model yang sudah dilatih tersebut kemudian diterapkan pada aplikasi monitoring banjir dan gempa. Namun, adanya keterbatasan sehingga data pelatihan model tidak objektif, maka model neural network yang telah dibangun saat ini belum dapat untuk digunakan secara publik. Walaupun demikian, penelitian ini diharapkan bisa menjadi referensi untuk penelitian selanjutnya.Banjir dan gempa memiliki parameter-parameter yang dapat diamati dengan Internet of Things (IoT). Hasil dari pemantauan dengan IoT adalah berupa data yang dapat diolah untuk mendapatkan peringatan banjir dan gempa. Dalam penelitian ini, model neural network digunakan untuk mengolah data tersebut. Model neural network yang digunakan yaitu ANN dan RNN. Dalam penelitian ini juga, model LSTM yang merupakan jenis dari RNN digunakan sebagai pembanding RNN. Inisialisasi bobot dan bias model-model tersebut menggunakan Nguyen-Widrow. ANN, RNN, dan LSTM berturut-turut digunakan untuk deteksi banjir dan gempa, prediksi tinggi air, dan sebagai pembanding RNN dalam memprediksi tinggi air. Model-model tersebut dirancang melalui trial and error hingga menemukan parameter model yang optimal. Hasil eksperimen menunjukkan bahwa model ANN untuk deteksi banjir memiliki rata-rata akurasi training 0,9969 dan testing 0,9991. Model ANN untuk deteksi gempa memiliki rata-rata akurasi training 0,9967 dan testing 0,9987. Model RNN untuk prediksi tinggi air memiliki hasil yang lebih baik dibandingkan model LSTM. Model-model yang sudah dilatih tersebut kemudian diterapkan pada aplikasi monitoring banjir dan gempa. Namun, adanya keterbatasan sehingga data pelatihan model tidak objektif, maka model neural network yang telah dibangun saat ini belum dapat untuk digunakan secara publik. Walaupun demikian, penelitian ini diharapkan bisa menjadi referensi untuk penelitian selanjutnya.Banjir dan gempa memiliki parameter-parameter yang dapat diamati dengan Internet of Things (IoT). Hasil dari pemantauan dengan IoT adalah berupa data yang dapat diolah untuk mendapatkan peringatan banjir dan gempa. Dalam penelitian ini, model neural network digunakan untuk mengolah data tersebut. Model neural network yang digunakan yaitu ANN dan RNN. Dalam penelitian ini juga, model LSTM yang merupakan jenis dari RNN digunakan sebagai pembanding RNN. Inisialisasi bobot dan bias model-model tersebut menggunakan Nguyen-Widrow. ANN, RNN, dan LSTM berturut-turut digunakan untuk deteksi banjir dan gempa, prediksi tinggi air, dan sebagai pembanding RNN dalam memprediksi tinggi air. Model-model tersebut dirancang melalui trial and error hingga menemukan parameter model yang optimal. Hasil eksperimen menunjukkan bahwa model ANN untuk deteksi banjir memiliki rata-rata akurasi training 0,9969 dan testing 0,9991. Model ANN untuk deteksi gempa memiliki rata-rata akurasi training 0,9967 dan testing 0,9987. Model RNN untuk prediksi tinggi air memiliki hasil yang lebih baik dibandingkan model LSTM. Model-model yang sudah dilatih tersebut kemudian diterapkan pada aplikasi monitoring banjir dan gempa. Namun, adanya keterbatasan sehingga data pelatihan model tidak objektif, maka model neural network yang telah dibangun saat ini belum dapat untuk digunakan secara publik. Walaupun demikian, penelitian ini diharapkan bisa menjadi referensi untuk penelitian selanjutnya.