Penerapan Metode LSTM dengan Penanganan Data Tidak Seimbang pada Klasifikasi Kejadian Bencana Hidrometeorologi Basah di Kota Bogor

Abstract

Banjir dan longsor adalah bencana dominan di Indonesia dengan tingkat kejadian tinggi setiap tahunnya. Kota Bogor memiliki tingkat kerentanan di atas 50% dan merupakan salah satu daerah dengan kerentanan bencana tertinggi di Jawa Barat. Penelitian ini menggunakan data parameter iklim dan data bencana historis di Kota Bogor yang memiliki urutan waktu, sehingga penelitian dilakukan dengan model Long Short-Term Memory (LSTM). Data yang digunakan memiliki rentang harian dari 1 Januari 2008 hingga 31 Desember 2023. Penelitian ini bertujuan untuk membandingkan metode penanganan data yang tidak seimbang dengan menerapkan pembobotan kelas dan Synthetic Minority Over-sampling Technique (SMOTE) dan memprediksi kejadian bencana dengan model terbaik. Hasil analisis membuktikan bahwa pembobotan kelas dan SMOTE dapat membantu model untuk mengklasifikasikan kelas minoritas, ditunjukkan dengan peningkatan signifikan dalam nilai sensitivitas dan recall. Model LSTM terbaik dengan teknik pembobotan kelas mencapai nilai sensitivity sebesar 0,4688, specificity sebesar 0,7387, precision sebesar 0,5412, recall sebesar 0,6037, dan F1-score sebesar 0,5247. Hasil prediksi menunjukkan bahwa banyaknya bencana hidrometerologi basah tertinggi terjadi pada bulan November dan Desember yang sejalan dengan karakteristik musim hujan di daerah tersebut.

Floods and landslides are the dominant disasters in Indonesia with high incidence rates every year. Bogor city has a vulnerability level above 50% and is one of the areas with the highest disaster vulnerability in West Java. This study utilized climate parameter data and historical disaster data in the Bogor city which have sequence properties, so the research proceeds with the Long Short-Term Memory (LSTM) method. The data used have a daily range from January 1st 2008, to December 31th 2023. This research aims to compare the methods of handling unbalanced data by applying class weighting and Synthetic Minority Over-sampling Technique (SMOTE) and predicting disaster events with the best model. The analysis results proved that class weighting and SMOTE can help the model to classify the minority class, indicated by a significant increase in sensitivity and recall values. The best LSTM model with the class weighting technique achieved a sensitivity value of 0.4688, specificity of 0.7387, precision of 0.5412, recall of 0.6037, and an F1-score of 0.5247. The prediction results indicated that the highest number of wet hydrometeorological disasters occur in November and December, aligning with the rainy season characteristics in the area.