Analisis Penerapan ANN dan RNN dengan Inisialisasi Nguyen-Widrow pada Aplikasi Monitoring Banjir dan Gempa

Abstract

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.

Kata kunci— banjir, gempa bumi, internet of things (IoT),
artificial neural network, recurrent neural network, long shortterm
memory, nguyen-widrow, API