Banjir dan gempa memiliki parameter-parameteryang dapat diamati dengan Internet of Things (IoT). Hasil daripemantauan dengan IoT adalah berupa data yang dapat diolahuntuk mendapatkan peringatan banjir dan gempa. Dalampenelitian ini, model neural network digunakan untuk mengolahdata tersebut. Model neural network yang digunakan yaitu ANNdan RNN. Dalam penelitian ini juga, model LSTM yangmerupakan jenis dari RNN digunakan sebagai pembandingRNN. Inisialisasi bobot dan bias model-model tersebutmenggunakan Nguyen-Widrow. ANN, RNN, dan LSTMberturut-turut digunakan untuk deteksi banjir dan gempa,prediksi tinggi air, dan sebagai pembanding RNN dalammemprediksi tinggi air. Model-model tersebut dirancangmelalui trial and error hingga menemukan parameter modelyang optimal. Hasil eksperimen menunjukkan bahwa modelANN untuk deteksi banjir memiliki rata-rata akurasi training0,9969 dan testing 0,9991. Model ANN untuk deteksi gempamemiliki rata-rata akurasi training 0,9967 dan testing 0,9987.Model RNN untuk prediksi tinggi air memiliki hasil yang lebihbaik dibandingkan model LSTM. Model-model yang sudahdilatih tersebut kemudian diterapkan pada aplikasi monitoringbanjir dan gempa. Namun, adanya keterbatasan sehingga datapelatihan model tidak objektif, maka model neural networkyang telah dibangun saat ini belum dapat untuk digunakansecara publik. Walaupun demikian, penelitian ini diharapkanbisa menjadi referensi untuk penelitian selanjutnya.Kata kunci— banjir, gempa bumi, internet of things (IoT),artificial neural network, recurrent neural network, long shorttermmemory, nguyen-widrow, API
Copyrights © 2023