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.
