Implementasi Algoritma Support Vector Machine (SVM) untuk Deteksi Banjir

Abstract

Banjir merupakan bencana yang paling banyak terjadi pada tahun 2022 di Indonesia. Berdasarkan laporan Badan Nasional Penanggulangan Bencana (BNPB), jumlah bencana banjir setara 43,1% dari total kejadian bencana nasional sekitar 1.524 kejadian. Salah satu wilayah yang secara berulang terkena dampak banjir selama periode 2022 hingga 2023 adalah Sumatera Selatan sebanyak 99 kali. Dalam upaya penanggulangan masalah ini, teknologi machine learning dapat digunakan sebagai alat pendeteksi dan peringatan dini terhadap banjir, salah satunya Algoritma SVM. Dalam penelitian ini, kinerja berbagai kernel SVM dinilai, dan kernel dengan kinerja terbaik dipilih untuk digunakan dalam sistem deteksi banjir. Penelitian ini mengkategorikan status banjir dengan tiga label klasifikasi: "aman," "waspada," dan "bahaya". Dalam upaya membangun model prediksi status banjir, berbagai algoritma SVM seperti linear, polynomial, RBF, dan sigmoid diimplementasikan menggunakan dataset publik. Lalu akan diuji dengan alat deteksi banjir yang terdiri dari dari arduino uno, nodemcu, dan berbagai sensor seperti sensor ultrasonik, sensor debit air, sensor curah hujan, sensor suhu dan kelembaban. Evaluasi dilakukan melalui pengukuran akurasi, presisi, recall, F1-Score, kurva ROC, dan Cross-Validation. Hasil evaluasi menunjukkan bahwa model SVM dengan kernel polynomial terpilih sebagai model deteksi yang optimal dibandingkan dengan kernel lainnya. Model ini mencapai akurasi pelatihan dan pengujian sebesar 1.0, waktu pelatihan hanya 0.0012 detik, waktu prediksi 0.0002 detik, serta presisi, recall, dan F1-score sebesar 1.0. Selain itu, cross-validation juga mencapai 1.0 dalam mengklasifikasikan data banjir. Pengujian pada alat digunakan 131 data uji dengan hasil akurasi sebesar 1.0. Hasil klasifikasi dan data sensor disajikan melalui aplikasi Android, memudahkan dalam pemantauan banjir.