Pengembangan Model Prediksi Banjir Menggunakan Adaptive Neuro Fuzzy Inference System (Anfis) Pada Sungai Ciliwung

Abstract

Banjir yang terjadi di Jakarta sangatlah tinggi ketidakpastiannya sama dengan tingginya ketidakpastian perubahan cuaca di wilayah tersebut. Banjir tidak dapat diprediksi dengan mudah dan telah menyebabkan banyak korban baik jiwa, harta benda dan berhentinya kegiatan perekonomian pada wilayah terdampak banjir. Oleh karena itu prediksi terhadap terjadinya banjir sangatlah diperlukan. Penelitian ini mencoba menggunakan ANFIS, ANN dan FIS untuk memprediksi tinggi muka air Sungai Ciliwung pada waktu singkat. Tinggi muka air pada sungai Ciliwung dapat digunakan sebagai indikator akan kejadian banjir di Jakarta jadi semakin cepat informasi tinggi muka air ini diterima oleh stakeholder maka akan semakin cepat tindakan penyelamatan dapat dilakukan. Penelitian ini menggunakan data tinggi muka air dari tiga pintu air di sepanjang sungai Ciliwung dari Januari 2014 sampai dengan Desember 2015. Data yang ada dibagi menjadi dua yaitu data latihan dan data tes. Data latihan yang dipakai pada penelitian adalah data tinggi muka air mulai bulan Januari 2014 sampai dengan bulan Desember 2014 sedangkan data untuk tes yang dipakai adalah mulai bulan Januari 2015 sampai dengan Desember 2015. ANFIS dan ANN dipakai untuk membandingkan model mana yang memiliki performa paling baik untuk memprediksi tinggi muka air di pintu air Depok. Keluaran dari model yang paling baik akan dipakai sebagai masukan bagi model FIS untuk memprediksi tinggi muka air di pintu air Manggarai. RMSE dari hasil tes pada model ANN terbilang cukup tinggi. Rata-rata RMSE pada model ANN dengan 6, 24 dan 48 fitur adalah 52.5764, 35.6601 dan 70.7277 secara berurutan. Dapat disimpulkan bahwa model ANN tidak bisa diandalkan untuk memprediksi tinggi muka air di Depok. Model ANFIS memiliki performa yang lebih baik dibandingkan dengan model ANN dalam hal ini ANFIS dengan 3 fitur dipilih karena memiliki performa paling baik diantara seluruh model yang diujicobakan. Rata-rata RMSE untuk ANFIS dengan 3 fitur adalah 18.2222. Oleh karena itu hasil prediksi dari model ini akan digunakan sebagai masukan untuk model FIS. Hasil %RMSE dari model FIS cukup rendah yaitu rata-rata 3.43 yang artinya model FIS dapat memprediksi tinggi muka air di pintu air Manggarai dengan akurasi yang baik. Penggunaan metode pembelajaran seperti ANFIS dan ANN disarankan untuk penelitian selanjutnya pada prediksi tinggi muka air Manggarai. Penelitian selanjutnya juga masih diperlukan untuk lebih meningkatkan performa model. Secara keseluruhan penelitian ini menunjukan bahwa model data driven dapat diimplementasikan pada sistem peringatan dini banjir Jakarta.