PERBANDINGAN AKURASI METODE SUPPORT VECTOR MACHINE DAN K-NEAREST NEIGHBOUR DALAM PREDIKSI CURAH HUJAN POTENSI BANJIR

Abstract

Peristiwa banjir telah menjadi suatu peristiwa yang kerap kali terjadi selama musim penghujan. Wilayah dataran rendah seperti DKI Jakarta tentunya menjadi daerah paling terdampak banjir. Terlebih lagi apabila tidak adanya mitigasi bencana, baik dari segi kesiapsiagaan maupun transparansi informasi. Seringkali hujan hanya menjadi akibat terjadinya banjir tanpa memerhatikan faktor-faktor cuaca lainnya. Padahal, informasi terkait keadaan cuaca beberapa saat sebelum adanya hujan dapat menjadi acuan besarnya curah hujan yang akan menyebabkan banjir. Maka dari itu, penelitian ini mengusulkan implementasi salah satu metode data mining guna memperoleh luaran berupa prediksi besaran curah hujan yang berpotensi menyebabkan banjir. Penelitian ini menggunakan metode CRISP-DM (Cross-Industry Standard Process Model for Data Mining). Metode prediksi curah hujan yang digunakan dalam penelitian ini adalah Support Vector Machine (SVM)  dan K-Nearest Neighbour (K-NN) untuk mengklasifikasikan curah hujan berpotensi banjir. Penelitian ini akan memanfaatkan dataset cuaca historis yang mencakup variabel seperti suhu, kelembapan, arah angin, dan curah hujan, untuk mengembangkan model yang dapat memprediksi potensi banjir dengan akurasi tertinggi antara metode SVM dan K-NN. Melalui penemuan metode paling efektif dalam prediksi potensi banjir, penelitian ini diharapkan dapat meningkatkan kinerja dan ketepatan prediksi banjir yang dapat digunakan dalam mitigasi risiko bencana dan meminimalisir risiko yang terjadi. Hasil penelitian ini mengungkapkan bahwa metode Support Vector Machine memiliki akurasi rata-rata sebesar 90.19%, yang mana memiliki akurasi lebih baik dibandingkan metode K-Nearest Neighbour yang memiliki akurasi rata-rata sebesar 88.32%.