Perpustakaan Digital ITB

Abstrak— Badan informasi geospasial (BIG) sebagai walidata rawan banjir membutuhkan suatu terobosan inovasi untuk memprediksi lokasi rawan banjir dalam waktu cepat. Kondisi saat ini, proses pengolahan data rawan banjir dilakukan secara luring melalui perangkat lunak spasial berbasis desktop. Perkembangan teknologi kecerdasan artifisial dan keilmuan geospasial, memunculkan pendekatan konsep geospatial artificial intelligence. Kategori kelas rawan banjir yaitu rendah, menengah, dan tinggi dapat dihubungkan dengan model klasifikasi teknik supervised learning. Hal tersebut menjadi celah penelitian untuk dilakukan pengembangan model klasifikasi pembelajaran mesin dengan menggunakan basis pemetaan spasial rawan banjir. Pengembangan model klasifikasi dari sisi penerapan set data geospasial, analisis feature selection menggunakan metode SNI 8197:2015 dibandingkan dengan penelitian terdahulu. Algoritma yang akan diuji sebagai pembentuk model klasifikasi adalah Random forest, Support Vector Machine, dan MLP-ANN berdasarkan studi perbandingan dengan akurasi terbaik. Design Science Research Method (DSRM) digunakan sebagai pedoman pengembangan model dan prototipe sistem geospasial. Penerapan algoritma klasifikasi random forest, feature geometry dan 3 (tiga) feature yaitu curah hujan, kelerengan, dan penutup lahan menghasilkan model pembelajaran mesin rawan banjir. Hasil pengukuran akurasi dari model klasifikasi menggunakan parameter SNI 8197:2015 dibandingkan dengan penelitian terdahulu mendapatkan kenaikan nilai rata-rata yaitu 1,48%. Sementara itu, hasil evaluasi kinerja model klasifikasi menggunakan confusion matrix multiclass menghasilkan koreksi peningkatan akurasi dengan nilai 1,2%. Hasil akhir dari evaluasi kinerja model klasifikasi mengalami peningkatan akurasi dengan total 2,68%.