ANALISIS PERBANDINGAN METODE RECURRENT NEURAL NETWORK DAN GRADIENT BOOSTING UNTUK PREDIKSI BANJIR

Abstract

Banjir merupakan salah satu bencana alam yang sering melanda Indonesia dan memberikan dampak besar terhadap infrastruktur, perekonomian, lingkungan, serta kehidupan sosial masyarakat. Untuk mengurangi risiko dan dampaknya, dibutuhkan sistem prediksi yang akurat dan dapat diandalkan. Penelitian ini bertujuan untuk membandingkan kinerja metode Recurrent Neural Network (RNN) dan Gradient Boosting dalam memprediksi kejadian banjir berdasarkan data historis yang mencakup curah hujan, suhu, kelembapan, dan ketinggian air. Data diperoleh dari Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) serta sumber terkait lainnya, kemudian diproses melalui tahapan pembersihan, normalisasi, pembangunan model, pelatihan, dan pengujian. Hasil penelitian menunjukkan bahwa RNN lebih unggul dalam mengolah data time series karena kemampuannya mengenali pola berurutan, meskipun membutuhkan waktu pelatihan yang lebih lama. Di sisi lain, Gradient Boosting terbukti lebih cepat, efisien, dan fleksibel dalam menangani data tabular yanmitigasi bencana.