Kind: captions
Language: id
jadi awalnya saya mengikuti pelatihan
eked ini memang dari grup-grup di alumni
ya mbak ya pernah ikut pelatihan ini
cerita mereka itu sungguh bisa dianggap
menarik ya karena mereka pengetahuan
mereka tentang yang pengin mereka
ketahui itu meningkat gitu ya kemudian
skill-skill yang dihasilkan dari hasil
pelatihan itu juga cukup bisa dilihat
begitu ya terasa gitu manfaatnya di kami
terutama untuk e Para konsultan yang
memerlukan tenaga perang ahli sehingga
saya memilih
ekoedu dan sempat mengikuti pelatihannya
juga dan itu terbukti benar gu nah saya
lihat Instagram itu ada
Ed ya yang ak menarakan pelatihan nah di
situ juga saya baca-baca terlebih dahulu
ya terkait tentang informasi yang
diediakan oleh bu Nah Menurut saya itu
menjadi hal yang membuat tertarik untuk
UN pelatihan diitu jadi saya sering
lihat di Instagram gitu Bagaimana ekidu
menyampaikan informasinya
ekedu itu bagus karena ptianptiya itu
selalu terginiing terus mengikuti zaman
dan juga pelatihnya atau mentornya itu
bagus-bagus dan terbaiklah di
[Musik]
bidangnya Iya eh yang pertama memang
Tentu saja Ini meningkatkan dan
memsimalkan skill-skill yang saya
harapkan begitu ya pertemu dalam
penimpinan dokumen anddal E pund saya
jadi bisa lebih produktif lebih efektif
juga ee punya update Gitu ya update
update persoalan-persoalan dalam
penyusan da terkini dari ahlinya
langsung di lapangan begitu yang
pengalamannya Tidak diragukan menurut
saya pelatihan yang disediakan
u ini sangat bermanfaat sekali dan mudah
untuk aksesnya jadi ada teknologi
terbaru yang saya dapat yaitu di
e-learning ya itu luar biasa
pempelajarinya juga mudah sekali untuk
dipahami Alhamdulillah bisa mengikuti
dan juga menambah ilmu pengetahuan yang
banyak
[Musik]
banget
Eh e-learning ini memang di memang
sangat diperlukan sekali ya terutama
untuk kita yang dengan keterbatasan
pengetahuan kemudian juga waktu mungkin
eh itu memberikan kita kesempatan untuk
kembali mengingat kembali mendengarkan
paparan-paparan yang mungkin kurang
jelas kemudian juga kita bisa mengulang
sesering mungkin yang kita inginkan kita
juga bisa review kembali sehingga
belajar kita bisa lebih efektif dan
efisien eLearning itu membantu sekali
ketika pada saat penyampaian materi ada
yang ketinggalan gitu ya jadi E saya
bisa lihat materi itu
di sangat membantu Mbak Jadi saya eh
ambil materi terus lihat video yang bisa
diakses kapan aja dan di mana aja
[Musik]
4 juta dengan informasi yang kami
peroleh itu jauh dari katas padan
sebenar jadi apa namanya ya Kalau saya
bilang terlalu murah itu se jadi
sepadanlah ini menurut saya sepadan Bu
karena memang e pelatihannya ini pun
sangat membantu ya dalam menyelesaikan
satu pekerjaan yang ada di sekitar
lingkungan saya sendiri gitu nah saya
kira seempatkan sesuailah dengan apa
yang
[Musik]
didapatkan eh
KTP efektif tepat dan profesional
hemat cermat dan Hebat Keren profesional
dan juga keedinian
[Musik]
pengembangan sumber daya manusia adalah
bagian dari proses dan tujuan dalam
pembangunan
indonesia upaya membangun sumber daya
manusia yang berkualitas salah satunya
dapat dilakukan melalui pelatihan
ekoedu hadir sebagai platform pelatihan
lingkungan hidup yang bertujuan untuk
meningkatkan kinerja dan kualitas sumber
daya
[Musik]
manusia saat ini kami memiliki 15 paket
pelatihan yaitu persetujuan teknis air
limbah persetujuan teknis emisi udara
persetujuan teknis limbah B3 penyusunan
dokumen klhs penyusunan dokumen rpph
pemodelan kualitas air sungai pemodelan
dispersi udara pemodelan air tanah life
cycle assessment perhitungan emisi gas
rumah kaca pengelolaan banjir dan
sedimentasi Sungai perancangan dan
pemilihan insenerator sampah dan B B3
pemantauan kualitas udara dan air
menggunakan sensor pelatihan sistem
informasi geografis dan pelatihan remote
sensing alumni pelatihan kami sudah
lebih dari 2.500 orang yang berasal dari
seluruh Indonesia pelayanan kami terbuka
untuk perusahaan pemerintahan perorangan
ataupun pemerhati lingkungan ekoedu
selalu berusaha menyajikan pelatihan
yang berkualitas dengan menghadirkan
pengajar yang berpengalaman
memberikan pengalaman langsung dengan
praktikum dan eLearning yang dapat
diakses di
Manun jadi awalnya saya mengikuti
pelatihan
ini memang dari grup-grup di alumni yaak
ya perah ikut peltian ini cerita mereka
itu sungguh bisa dianggap menarik ya
karena mereka pengetahuan mereka tentang
yang pengin mereka ketahui itu meningkat
gitu ya kemudian skill-skill yang
dihasilkan dari hasil pelatihan itu juga
cukup bisa dilihat begitu ya terasa G
manfaatnya di kami terutama untuk e Para
konsultan yang memelukan tenanga
penangan sehingga saya memilih
ekedu dan sempat mengikuti pelatihannya
juga dan itu terbukti benar nah saya
lihat Instagram itu ada
ya
yangaran atihan nah di situ juga saya
baca-baca terlebih dahulu ya terkait
tentang informasi yang disediakan olehu
nah Menurut saya itu menjadi hal yang
membuat tertarik untuk UN pelatihan gitu
Jadi saya sering lihat di Instagram gitu
Bagaimana
idu menyampaikan informasinya ekedu itu
bagus karena perhatian-pti itu selalu
tergini terus mengikuti zaman dan juga
pelatihnya atau mnya itu bagusbagus dan
terbaiklah di
[Musik]
bidangnya Iya e yang pertama memang
Tentu saja Ini meningkatkan dansimalkan
skill-skill yang saya harapkanitu Yat
dalam penyusunan
dokumen saya jadi bisa lebih produktif
lebih efektif juga punya update Gitu ya
updateupdate persoalan-persoalan penan
terkini dari ahlinya langsung di
lapangan begitu Yang pengalamannya tidak
dihagukan menurut saya pelatihan yang
disediakan ini sangat bermanfaat sekali
dan mudah untuk aksesnya jadi ada
teknologi terbaru yang saya dapatu di
earning ya itu luar
biasaelajar juga mudah sekali untuk
dipahami Alhamdulillah bisa mengikuti
dan juga menambah ilmu pengetahuan yang
banyak
[Musik]
banget e earning ini memang di memang
sangat diperlukan sekali ya terutama
untuk kita yang dengan keterbatasan
pengetahuan kemudian juga waktu mungkin
E itu memberikan kita kesempatan untuk
kembali mengingat kembali mendengarkan
paparan-paparan yang mungkin kurang
jelas kemudian juga kita bisa mengulang
sesering mungkin yang kita inginkan kita
juga
bisa kembali sehingga belajar kita bisa
lebih efektif dan efisi itu membantu
sekali ketika pada saat penyaian jadi
ada yang ketinggalan gitu ya jadi E saya
bisa lihat materi itu
di sangat membantu Mbak Jadi saya eh
ambil materi terus lihat video yang bisa
diakses kapan aja dan di mana
[Musik]
aja 4 juta dengan informasi yang kami
peroleh itu jauh dari katas padan
sebenarnya jadi apa namanya ya Kalau
saya bilang terlalu murah itu seb jadi
sepadanah ini menut sepadan Bu karena
memang pelatihannya ini pun sangat
membantu ya dalam menyelesaikan satu
pekerjaan yang ada di sekitar lingkungan
saya sendiri gitu Saya kira Sepatan
sesuailah dengan apa yang didapatkan
[Musik]
ekppp efektif tepat dan profesional hat
cermat dan hebat keren profesional dan
juga
[Musik]
kekinian baik asalamualaikum
warahmatullahi wabarakatuh Selamat siang
Bapak Ibu dan rekan-rekan sekalian
Selamat datang kembali di webinar ekoedu
yang ke-101
saya ucapkan terima kasih kepada bapak
ibu semua yang sudah selalu setia untuk
mengikuti acara webinar kami ini baik
untuk hari ini webinar Fu akan
mengangkat tema prediksi longsor dan
banjir menggunakan metode anm dan
analisis lahan kritis berbasis sistem
informasi geografis
Perkenal Din yang akan bapak bapak ibu
semua sebelum memulai webinar pada siang
ini alangkah baiknya kita berdoa
bersama-sama sesuai dengan agama dan
kepercayaan
masing-masing berdoa
dipersilakan Berdoa
selesai untuk acara selanjutnya Mari
kita menyanyikan lagu Indonesia Raya
secara bersama-sama diharapkan kepada
bapak dan ibu untuk duduk tegak
[Musik]
[Tepuk tangan]
[Musik]
[Tepuk tangan]
[Musik]
Baik bapak ibu semua Izinkan saya
mempromosikan tiga pelatihan dalam waktu
dekat ini yang akan diselenggarakan oleh
kami yakni yang pertama ada pelatihan
pengolahan banjir dan sedimentasi Sungai
menggunakan haras yang akan dilaksanakan
pada tanggal 10 sampai dengan 14
Februari
2025 kemudian dilanjutkan
dengan
pelatihan pemodelan dispersi udara air
mod kalp dan high split
Eh pada tanggal 24 sampai dengan 28
Februari 2025 eh lalu dilanjutkan dengan
pelatihan penunjang Dokumen Amdal dan
slo yang akan dilakukan pada tanggal 17
sampai dengan 21 Februari 2025
eh Adapun bapak ibu jika melakukan
pembayarannya hamil sat pelatihan maka
bapak ibu akan mendapatkan diskon 10%
dari biaya investasi
untuk informasi lebih lanjut dapat
menghubungi admin
kami Bapak Ibu juga bisa mengunjungi
sosial media kami yakni ada Instagram
youtube channel Facebook dan juga
website resmi kami
yaitu. dan juga bak ibu yangs
mendaaraks
[Musik]
ekoedu.co. selain itu juga kami terdapat
inhouse training yang dapat dilakukan
secara offline sesuai dengan permintaan
dari instansi dan perusahaan Bapak dan
Ibu
semuanya Kami tunggu Bapak dan Ibu di
pelatihan eh selanjutnya kita akan
langsung masuk pada kegiatan utama kita
di mana webinar kali ini kita akan
berdiskusi mengenai prediksi longsor dan
banjir menggunakan metode Ann dan
analisis lahan kritis berbasis sistem
informasi
geografis dan di sini kami telah
menghadirkan narasumber yang sangat
kompeten di bidangnya untuk memberikan
materi dan wawasan yang bermanfaat ini
Baik perkenankan saya memperkenalkan
narasumber kita hari ini
yaitu Dr Teguh Nurhadi suharsono
STMT beliau merupakan Wakil Rektor 1
Universitas sanggaabuana
em dan kebetulan Pak Tegu sudah ada di
dalam ruangan
Zoom Selamat siang kepada Pak
Tegu siang Terima kasih semuanya I
Bagaimana pak kabarnya Pada siang ini
alhamdulah luar biasa baik sekali Terima
kasih untuk undangan sebagai
pembicaranya hari ini i terima kasih
juga kepada Pak Tegu sudah bersedia ee
baik Sebelum kita mulai Izinkan saya
menyampaikan dulu beberapa teknis untuk
pemaparan dilaksanakan selama 1 Seteng
jam kemudian dilanjutkan dengan sesi
tanya jawab menggunakan aplikasi slidu
dan dilanjutkan dengan sesi tanya jawab
secara langsung baik untuk
mengefektifkan waktu saya serahkan
ruangan Zoom
ini kepada PBU dan kepada Bapak Ibu
semuanya Selamat mengikuti acara webinar
ini Baik terima kasih Bapak Ibu semuanya
untuk
ini Alhamdulillah ya kita semua bisa
hadir hari ini luar biasa sekali ada
58 ya 87 peserta yang hari ini hadir dan
Terima kasih untuk
eh undangannya dan Insyaallah kita akan
eh banyak berdiskusi ya nanti Bapak Ibu
di mana saya memberikan materi hari ini
berkaitan dengan prediksi long dan
bangkit menggunakan metode Ann dan
bagaimana akhirnya kita juga ada satu
lagi materi berkaitan dengan analisis
lahan kritis dalam hal ini kita
bisaeleksi eh berdasarkan data-data yang
ada keseluruhan eh nanti analisis
berbasis sistem informasi
geografis baik Bapak
Ibu nah Sebelumnya saya bicara eh
bencana dulu ya Bapak Ibu karena ini e
merupakan hal yang menurut saya ini
sebagai pengantar kita untuk melihat
banjir longsor maupun lahan krus ini
jadi bencana adalah rangkaian peristiwa
yang dapat mengganggu dan menghambat
keberlangsungan hidup makhluk e hiup
dari makhluk itu sendiri bisa terjadinya
adanya kerugian materi kerusakan
lingkungan hidup dampak psikologis
bahkan korban jiwa nah di dalam bencana
ini kita bisa melihat ada dua kategori
ada alam dengan non alam n kalau alam
ini berasal dari peristiwa seperti
adanya gempa bumi gunung meletus gitu ya
tunami banjir kekeringan atau angin
topanang alam itu berarti berkaitan
dengan adanya tindakan dari
manusia terjadinya pandem teknologi atau
kegagalan
modernisasi nah menurut undang-undang 24
tahun 2007 tentang penanggulan bencana
jadi ada tiga hal yang dilihat yaitu
bencana alam tadi ada nonalam dan sosial
ini menurut undang-undangnya jadi
bencana yang disb peristiwa Alang tadi
ya Ada juga bencana non Alang tadi
kegagalan berasi nah ditambah tiga
adalah bencana sosial nah bencana S benc
Dis oleh tindakan manusia seperti
konflik sosial antar komunitas terorisme
atau perang Jadi dapat disimpulkan
benana adalah suatu
perisaiamis nonam atau sosial yang
menganc membayakan kehidupan dan ke Hi
sebuah masyarakatc ini menyebabkan
kehilangan benda kerusakan lingkungan
bahkan
ekosistemnya
nahc kumpulan peristiwaam yang mengancam
dan menggang kidupan masarakat tadi kita
ini pengerjaan lain tentang bencana alam
nah salah satunya apa yaitu banjir nah
banjir ini merupakan suatu keadaan di
mana suatu permukaan atau daerah
tergenang oleh air dengan jumlah air
yang sangat
banyak menurut Badan Nasional penanggung
ulangan bencana sudah tercatat bapak ibu
ada
1718 peristiwa bencana alam yaitu mulai
dari 1 Januari sampai 8 Juni 2023 ini
yang terakhir kita dapatkan dari 2023
nah sampai sa ini Banjir masih menjadi
bencana alam yang paling banyak terjadi
di Indonesia dengan 652 kejadian atau
37,95% dari total bencana alam
nasional nah dalam hal ini kita melihat
terjadi kecendurungan untuk setiap
tahunnya dampak perubahan iklim lah yang
terjadi yang memberi banyak Eh perubahan
bagi kehidupan manusia contohnya
peningkatan jumlah bencana hidromologi
dan kerusakannya ada indikator oleh
badan meteorologi dunia untuk mikasi
peruban iklim yaitu terjadinya kenaikan
suhu peningkatan curah hujan yang
signifikan pergeseran musim yang
signifikan dan perubahan jumlah curah
hujan Nah masalah banjir ini akan
meningkat di kenar karena cuaca ekst
yang semakin
meningkat secara geografis kita melihat
bahwa Indonesia ada di Ring of
Fire yang merupakan pertemuan tiga
lempeng tonik yaitu lempeng
indoaustralia lempeng orasia dan lempeng
Pasifik sehingga intensitas bencana alam
di Indonesia sangat tinggi nah Indonesia
sebagai negara kepulauan dengan
topografi yang beragam menghadapi
berbagai tantangan terkait adanya
bencana alam itu sendiri salah satunya
juga adalah tanah longsor nah tanah
longsor ini merupakan fenomenologi yang
dapat disebabkan oleh berbagai faktor
termasuk curah hujan yang tinggi dan
pergerakan tanah yang tidak
stabil kalau tadi kita bicara banjir n
sekarang tentang tanah longsor adalah
salah satu jenis gerakan masa tanah atau
batuan atau kombinasi keduanya yang
menuruni atau keluar dari lereng akibat
terganggunya kestabilan tanah atau
batuan yang membentuk lereng
tersebut pada saat ini ada peneliti yang
mengatakan ada
1725 kejadian tanah loser Jawa Barat
dari tahun 2014 hingga
Nah ada lain berkaitan dengan bencana
banjir adalah kita melihat padatnya
penduduk dan adanya dekat eh daerah
aliran sungai itu sendiri Nah nanti kita
aliran sungai ini tentang lahan kritis
kita eh bahas di yang berikutnya gitu ya
nah jadi tadi sudah banyak ya banjir
sering menimbulkan kan besariki sosial
lingungan maupun kerugian nah dalam hal
ini ada dua
eh daerah yang menjadi bahan karena
datanya yangersedia yaitu Kabupaten
Karawang Dan nanti untukor berkaitan
dengan ehab Kabupaten Purwakarta jadi
kita melihat dari Kabupaten Karawang ini
memiliki topografi yang rentan terhadap
banjir dan dampaknya semakin dipera oleh
perubahan iklim yang mengbatkan
fluktuasi curah hujan yang sulit dipr
secara dalam hal ini jumlah air yang
jatuh di permubangan tanah dasar selama
periode tertentu diukur dengan satuan
tinggi mm di atas pembakan horizontal
yang disebut sebagai C hujan Nah airir
hujan yang jatuh dari ketinggian di
tempat yang permukan datar sehingga
tidak ada yang meresap mengalir maupun
menguang
nah curah hujan diukur menggunakan
peralatan meteodologi diantaranya bisa
memakai alat pengukur hujan yang B
manual
bisaum atau
alatattis
helm C Huan Berarti ada jumlah airtinggi
1 l atau di Su area 1 Mat
yangah di tabel berikut ini menunkan
klasifikasujkan standar internasional
yang ditbat oleh World meteorological
organization di mana Kalau kriteria
hujan sangat ringan itu kurang dari 5,0
mm dalam intensitas hujan 24 jam dan
intensitas hujan dalam mm/jam itu kurang
dari 1 mm Nah kalau sangat lebat itu
lebih dari 100 mm sedangkan per jamnya
adalah lebih dari 20
mm
nah dan sedangkan banjir itu sendiri
bagaimana akhirnya
eh
menjadi kita
klasifikasikan berdasarkan asal sumber
air yaitu banjir lokal di mana tidak
adanya sistem drinase yang memadai dan
tingkat hujan yang ekstrm menyebabkan
terjadinya banjir lokal nah banjir lokal
ini bersifat setempat sesuai luas
sebaran dari hujan lokal itu sendiri
kalau ada saluranas tidak berfungsi
dengan benar maka banjir ini semakin
parah karena terersumpat di dalamnya dan
mengurangi kapasitas saluran ada juga
disebut dengan banjir kiriman di mana
peningkatan debit air sungai yang
mengalir menyebabkan banjir kiriman ini
menjadi lebih parah karena kiriman dari
daerah atas sebagan besar adanya
bertambah luas daerah terbangun dan
perubahan koefisien aliran di daerah
tangkapan sehingga semakin banyak air
yang mengalir kep permukan sementara
semakin sedikit air yang meresap ke
Tan kalau berdasarkan jenis air ada yang
disebut dengan banjir air di mana ini
karena terjadi selokan atau sungai atau
danau meluap sehingga air meluap dan
mengendangi darat tanah hujan
terus-menerus menyebabkan sungai atau
danau tidak lagi mampu menapuk air ada
juga yang disebut dengan banjir cilenang
artinya banjir dadakan atau banjir yang
langsung terjadi saat Hujan tiba karena
air hujan yang sangat banyak tidak bisa
mengalir secara melalui saluran atau
selokan di sekitah rumah warga nah
Banjir cilenang Ini akhirnya terjadi
karena Karen air hujan yang sangat
banyak tidak bisa mengalir melalui
saluran atau selokan ada juga disebut
dengan banjir Banda yaitu banjir ini
mengangkut lumpur jadi lebih berbahaya
daripada banjir air karena banjir
bandang dapat menyapu dan menghanyutkan
Apun karena air hujan mengalir ke daatan
yang lebih rendah dan membuat tanah
pegunungan terlihat longsor banjir ini
biasanya terjadi daerah yang dekat
dengan
pegunungan ada
juga yang disebut
dengan banjir ya banjir yang disebabkan
oleh air laut yang pasang jadi air laut
ini menahan air sungai yang menupuk yang
pada akhirnya dapat menjebul tambul dan
menggenangi daratan ada juga banjir
lahar dingin ini terjadi karena gunung
berapi
meletus dan mengeluarkan lahar dingin
dari puncak gunung dan mengarik ke
daratan di bawahnya nah alardin ini
mendanggalkan Sungai memungkinkan air
sungai meluap dengan mudah dan meluber
ke pemukaan kbemungkinan
penduduk kita lihat penyebab
banjir adanya curah hujan jadi pada
musim penghujan curah hujan yang tinggi
akan menyebabkan banjir di sungai banjir
atau genangan akan terjadi jika curah
hujan melbihir Teb sungai ada juga
karena erosi dan sedimentasi jadi erosi
di aliran an sungai yang berdampak pada
kapasitas penampungan sungai karena
tanah yang tererosi yang dibawah air
hujan ke sungai akan mengendap
menyebabkan sedimentasi yang mengurangi
kapasitas sungai dan menyebabkan banjir
ada juga karena kapasitas sungai jadi
adanya erosi dasar sungai dan tebing
sungai yang berlebihan akibat kurangnya
vegetasi penutup menyebabkan kapasitas
aliran banjir Sungai menurun dan juga
karena pendangkalan sungai ini adanya
endapan lungkur dari tempat yang lebih
tinggi atau tempukan sampah akhirnya air
Dar di badan Sungai meluap karatan atau
adanya hilangnya lahan
terbuka ketika hujan turun air tidak
dapat diserap karena kurang area untuk
penyerapan dan mengalir begitu saja
terutama ke daerah pemukiman nah ini
penyebab yang lain adalah tentunya kita
tahu ya sampah yang dibuang sembarangan
jalur sungai dan jaringan drinase yang
meninggikan muka air dan menghambat
aliran air menyebabkan banjir danakan
air nah dari hal yang kita lihat
berkaitan dengan banjir ataupun e
tentang longsur itu sendiri
Eh saya menggunakan metode artifici neal
Network untuk
memprediksi Kapan eh berapa lagi gitu
terjadinya longsor maupun
eh banjir itu sendiri Nah nanti kita
bisa lihat tujuannya buat apa gitu ya
dalam jadi kita sebut artifis neeral
Network itu sebagai jaringan sarf tiuan
di mana Eh prosesor tersebar paralel
yang sangat besar biasa menyimpan
informasi pengalaman dan membuat siap
untuk digunakan tahun3 mol dan itu
memperkenalkan jaringan sarfiwan mereka
menyebutkan bahwa sebuah sistem mineral
dapat ditingkatkan kemampuan komutasinya
dan terbentuk dari kombinasi beberapa
neur sederhana atau ada yang mengatakan
bahwa jaringan Saran adalah sistem
pemrosesan informasi yang dirancang
untuk menirui cara otak manusia bekerja
salah satu struktur yang ingin ditiru
adalah bentuk
Nar Kebetulan saya ambil dari penilitian
saya yang lain ya Jadi pada dasarnya
jaringan saruan merupakan mod model
komputasi yang terdiri dari kumpulan
unit pemosesan disebut buatan atau ne
biologis yang ada dalam otak
manusia juga neon buatan ini saling
terhubung untuk membuk suatu jaringan
jadi seap akan input melakukan komputasi
pada inputan tersebut laluasilkan outp
nah terdiri banyak dan memiliki struktur
terdiri dari beberapa lapisan disebut
sebagai
garinganar struktur Sar itu sendiridiri
Daris ada input ada
layer
atpisanaran nah lapisan input dalam hal
ini dia akan menerima data inputan yang
diproses jaringanemud Hi l inian m
presan internal untuk mempelajari pola
dan hubungan dalam data
lapisanersembunyi berada di anara
lapisan masukan inutan dan keluaran nah
sedangkan lapisan keluaran atau output
layer Ini menghasilkan hasil akhir atau
sebuah prediksi dari jaringan nah
jaringan sarafan ini digunakan untuk
menghitung suatu nilai yang disebut Real
Time atau
nonine series di bidang elektronika atau
hidr atau
manuur dan paramer Hiden layer input
layer maupun output layer ini ada yang
berpengaruh terhadap kinerja aral ne itu
sendiri ya disebut dengan lening r dan
fungsi
aktivasi di dalam parameter sebagai
limited ini menentukan seberapa banyak
bobot dan bias yang diaruhi pada skat
Mir dalam jaringan selama proses
pelatihan nah learning rate ini
mempengaruhi seberapa cepat atau lambat
jaringan sarf belajar selama pelatihan
jadi learning rate ini terlalu kecil
maka waktu yang dibutuhkan untuk
mencapai sebuah konvergensi akan lebih
lama sedangkan jika leming rate-nya
terlalu besar maka jaringan saraf dapat
mengalami overing dan kesulitan mencapai
konvergensi karena itu Pemilihan
learning rate tepat sangat penting dan
diperlukan dalam pelatihan pada jaringan
saraf untuk mencapai hasil yang optimal
kemudian Kara tentang evolve itu adalah
menemukan jumlah lerasi tertinggi yang
mungkin untuk perubahan bobat pada
jaringan dan nilai MS ini semakin rendah
seiring dengan jumlah iterasi itu
sendiri sedangkan kita sebut fungsi
aktivasi adalah fungsi matematik yang
menggunakan data input untuk
menghasilkan output yang diinginkan nah
fungsi aktivasi ini mempengaruhi
bagaimanaeron dalam jaringan saraf
beroperasi dan membantu dalam mengelola
data input yang kompleks dan
non beberapa jenis eh fungsi aktivasi
berkaitan dengan function ini membantu
mengubah input menjadi output yang
berada di
anara ini membantu mengubah input
menjadi output yang berada di antara1
dan 1 ru ini function membantu mengubah
input menjadi output yang berada di atas
atau di
bawah function ini merupakan FSI varian
dari yang munyai kemampuan yang lebih
baik dalam mengol data input yang
berbanding
nega nah dalam hal ini kenapa dipilihn
ini memiliki banyak keunggulan yaitu
kemampuan memodelkan hubungan nonlinear
jadi mampu menangkap dan memodelkan
hubungan nonlinear yang kompleks antara
variabel input dan output sehingga dapat
digunakan untuk data yang fisat kompleks
dan tidak terbatas pada masalah ini juga
menjadi pembelajaran dari data jadi dia
bisa belajar dan menyelesuaikan bobot
berdasarkan data pelatihan jadi lebih
fleksibel dan aditif terhadap berbagai
jenis data kemudian juga mampu melakukan
generalisasi dengan baik dan memberikan
prediksi yang akurat pada data baru
ataupun masalah yang
serupa Nah kita bicara eh studi kasas
kita berkaitan dengani banjir di datanya
berdasarkan Kabupaten
Karawang Nah jadi bagaimana melakukan
eh perancangan sebuah sistem mulai dari
mengumpulkan data mengolah data kemudian
dirancang model ann-nya kemudian
dilakukan training dan testing dan
akhirnya eh melihat prediksi banjir dan
analisis hasil prediksi itu
sendiri pertama yang dilakukan adalah
melakukan pengan data curah hujan dan
banjir nah ini diperoleh data banjir
dari tahun 2021 dan 2004 yang diperoleh
dari
ehd Kabupaten Karawang Dan curujan dioh
dari badan P STK untuk pengolana ooleh
dari BPPD ini mengalami proses
pengolahan data nah pengolahan data itu
mulai dari cining data dan normalisasi
data data Kin ini akan membantu
mengatasi masalah adanya data yang
hilang adanya data yang duplikat ataupun
data anomali yang dapat mempengaruhi
tingkat akuransi hasil analisis kemudian
dilakukan normalisasi data ini merupakan
proses transformasi adanya nilai dari
dataset sehingga rentang atau skala dari
setiap variabel menjadi sama nah dalam
tahap normalisasi Inilah banyak se yang
bisa kita gunakan mulai dari minmax
normalization dan Min normalation
bertujuan untukkalakan nilai variabel ke
dalam rentang yang misalnya 0
dan kemudian dirancang modeln ke dalam
bentuk dan pola yang digunakan eh kasus
ini gitu ya kemudian ada training
testing Ini menggunakan data C hujan dan
data banjir dipelajari pola datanya dan
Mangun modelnya bagaimana melakukan
prediksi terjadinya banjir
kemudian dalam hal ini Prediksi banjir
digunakan tentunya eh metode Ann
kemudian dilakukan analisis hasil
prediksi Bagaimana
ee untuk melatih model yang telah
ada nah bicara datasetnya jadi data
setnya di didapat dari data curah hujan
per bulan dan kejadian bencana banjir
per bulan nya ini dari BPBD kabupaten
Karawang dan sekali lagi dari Badan
Pusat Statistik untuk data curah
hujan ini gambaran dari eh data curah
hujan dari
20212024 untuk 2024 Eh ada 6 bulan hanya
sampai Juni yang diperoleh dari 2024 ini
ini beberapa e data curah
hujan Nah ini grafik dari data curah
hujan
tersebut Nah jadi berdasarkan tabel dan
grafik di atas yang barusan untuk data
curah hujan ini
ee bahwa di tahun
2023 yang terkecil adalah di bulan
September yaitu 18 mm sedang curah hujan
tertinggi ada di 2021 pada bulan
November yaitu 454
mm nah ini data banjir di Kabupaten
Karawang dari 2021 sampai
2024 di mana jumlah kejadian banjir 2021
itu ada 106 2022 itu 59 2023 itu 57 dan
2024 itu adalah
60 ini grafik banjir berdasarkan ee
bulanan di Kabupaten
Karawang nah di dalam hal ini
berdasarkan tabel dan grafik tersebut
ada banjir tahunan terkecil ada di 57
kali itu di tahun 2023 sementara ee
banjir tahunan tertinggi di tahun 2021
yaitu 160 106
kali Nah tadi setelah
eh apa
melakukan apa pendataan pengolahan data
dilakukanlah normalisasi sehingga
berdasarkan data curah hujan dan data
banjir setelah normalisasi adalah
seperti
ini di data curah hujannya dinormalisasi
misalnya 146 menjadi 0,294 nanti
dijelaskan eh untuk eh codingan dari
normalisasi itu sendiri sampai banjir
pun dilakukan normalisasi ini hasil
normalisasinya nah tahap berikutnya
setelah dilakukan normalisasi adalah
merancang model ann-nya itu sendiri jadi
bagaimana kita tetapkan struktur an
untuk menentukan jumlah neuron pada
input layer hidden layer maupun output
layer itu sendiri kemudian kita lakukan
inisialisasi bobot dan bias yang
diperlukan oleh Ann kemudian lakukan
pemilihan tingkat pembelajaran yang
tepat untuk melatih Ann kemudian
menetapkan faktor momentum serta jumlah
iterasi pelatihan kemudian melakukan
fungsi aktivasi yang digunakan
untemproses input menjadi Keluaran dan
melakukan tahap verifikasi dan validasi
atas desain an yang telah disusun
ini rancangan annnyaendiri untuk
memprediksi banjir di mana ada lapisan
input 1 dan 2 ada lapisan tersemi dan
outputnya jadi nilai variabel yang
digunakan untuk prediksi atau peramaan
disimpan di dalam lapisan input kemudian
menggunakan curah hujan dan banjir
sebagai variabel ada dua ya kemudian
nilai input dipengaruhi oleh nilai bias
padapbunyi yang menghubungkan lapisan
input dengan lapisan output dan
menunjukkan hasil prediksi akhir yaitu
hasil prediksi banjir bulan Agustus 2024
sampai Januari 2025 ini untuk
prediksinya senya nanti Kemudian untuk
penentuan input layer digunakan pada pen
ini adalah Eh tadi
ya data cura hujan provinsi Jawa Barat
bulan Januari Desember sampai 2024 di
Kabupaten eh
Karawang dan variabel hujan dipilih
karena curah hujan menjadi faktor utama
yang mengaruhi banjir Kemudian untuk
penentuan hidden layer-nya kita
banyaknya neren yang pada Hiden layer
itu berpengaruh terhadap kinerja model
neuralw jadi mulai dari satu Hiden layer
dan didkatkan secara bertahap jadi X ini
dilakukan S hingga t hidden
layer nantinya ada hidden layer
digunakan yaitu berjumlah 1 sampai
10 kemudian lakukan penentuhan EV jadi
EV ini melakukan trend dan error pada
sistem yang dijalankan jadi fo ini
adalah menentukan berapa kali seluruh
dataaset digunakan untuk melati model
nah dalam hal ini dilakukan sampai 3.000
untuk mencapai hasil terbaik dengan
akurasi
tertinggi kemudian lakukan eh menentukan
learning rate-nya Nah untuk learning
rnya ini menentukan seberapa besar
langkah yang diambil model dalam
mengdate robotnya digunakannya adalah
0,01 Kemudian untuk banyak fungsi akasi
yang digunakan ada
ru function Tan function dan ru function
ini nah ini untuk menentukkan fungsi
aktivasi yang paling cocok untuk di
datasetnya jadi dalam hal ini fungsi
aktivasi digunakan ada
ru kemudian lakukan penentuan parameter
jadi dalam artificial Network ini selain
mengatur masukan pada input layer juga
penting menentukan parameter pada hidden
layer nah ini untuk menentukan parameter
pada Eh ini dengan melakukan uji coba
berdasarkan pendekatan uji dan kesalahan
yang disebut dengan trend and error nah
setiap parameter akan diuji dan
digabungkan satu persatu untuk
mendapatkan hasil prediksi yang memiliki
nilai dengan akurasi tertinggi yang kita
sebut sebagai error paling kecil ini
untuk menentukan eror nilai error paling
kecil Nah dengan adanya trend error
Inilah kita bisa mendapatkan hasil
prediksi terbaik Nah pertama kita
bagaimana untuk tren errornya menentukan
parameter kita melakukan model 2 hidden
layer jadi dibangun memiliki eh
performal prediksi yang cukup baik pada
data testing dengan R2 sebesar
51,3% ini akan menunjukkan model mampu
menjelaskan lebih dari setengah variasi
dalam data testing kemudian ada nilai
R2 pangkat du ini adalah data latih yang
hanya 29,7% yang mengindikasikan bahwa
model mungkin belum sepenuhnya menangkat
pola dalam data latih yang dapat
menunjukkan adanya masalah underfitting
jadi meskipun kesalahan prediksi yang
diut dengan rsx sebesar 0 1994 real
masih ada ruang untuk perbaikan terutama
dalam menangani variasi yang lebih besar
pada data latih jadi hasil t Ero 1 bisa
dilihat pada gambar berikut ini hasil
dari codingannya dan menghasilkan Min
secure error root min secure error
sampai r p 2 dan untuk data latih dan
data tes kita akan Cek nanti untuk
skenario data latih dan data testing
Kemudian untuk yang memakai model 5
neron ini
menunjukkan performa yang sangat baik
pada data latih dengan nilai r p 2
sebesar
91,4% yang menunjukkan bahwa model mampu
menjelaskan hampir seluruh variasi dalam
data latih namun pada data testing nilai
r pangkatnya sebesar
49,06% yang menunjukkan penurunan
kemampuan model dalam menjelaskan
variasi pada data yang tidak dilatihkan
ini mengindikasikan kan
overting meskipun nilai rmsc-nya sebesar
0,2 040 sekian itu menunjukkan bahwa
kesalahan prediksi relatif kecil formal
model pada detingnya bisa ditingkatkan
untuk memastikan prediksi yang lebih
akurat dan konsisten di luar data latih
dan Dan inilah hasilnya jadi trend error
du untuk
eh penghitungan mse mse maupun R P2 data
matingnya itu
sendiri kemudian untuk model 1000 epok
maupun
0,002 learning rate-nya itu sendiri ini
menunjukkan performa yang cukup baik ini
hasil eh apa pengujian terusmenerus gitu
ya dengan R pangkat Dunya ada
68,8% pada data sessing yang menunjukkan
bahwa model mampu menjelaskan seb besar
variasi dan data yang tidak dilatihkan
nah nilai r angangkat du pada data latih
sebesar 49,2% yang menunjukkan bahwa
model menangkap pola pada data latih
dengan cukup baik meskipun ada ruang
untuk perbaikan sedangkan adanya nilai
rmse sebesar
0,1590 ini menunjukkan bahwa kesalahan
prediksi Li kecil yang menindikasikan
bahwa model mampu memberikan prediksi
yang cukup
akurat secara keseluruhan model ini
dapat diandalkan untuk prediksi meskipun
masih ada potensi untuk lebih
meningkatkan kinerjanya
nah berikutnya adalah setelah ler
kitaent outp layernya jadi out ler ini
dihkan dari model iniu berisilaiedik b
unuk
pereahe yang digun M dengan jumlah hing
tahun
sebelumnyaah di dalam data Pring tadi
ini berjuan agarilai
dariis kita lakukan yang disebut dengan
min max normalization jadi menskalakan
nilai variabel ke dalam rentang yang
ditentukan misalnya 0 sampai dengan 1
nah dalam hal ini rumusnya adalah adanya
data ee nanti menghasilkan data
normalisasi di mana dari data asli
dikurangi data terkecil
dibagi data terbesar dikurangi data
terkecil nah hasilnya seperti
ee tadi ya adanya tabel hasil eh
normalisasi data cura hujan maupun
banjir gitu kemudian adanya
denormalisasi ini mengembalikan nilai
yang telah
dinormalisasikan dengan skala tadi ya 0
atau1 dan 1 ini akan diubah ke Skala
aslinya diperlukan untuk model machine
learning unuk memprediksi bertujuan
hasilnya nanti dapat diin ke dalam
konteks yang sebenarnya untuk
normalisasi denormalisasi sendiri
adamalisasi dikali nilai maksimal data
asli dikurangi nilai minimum data asli
ditambah nilai minimum data asli itu
sendiri Nah untuk tadi yang kita sebut
data training dan data testing kita
lakukan tiga skenario yang di mana
skenario pertama adalah untuk data
trendingnya adalah 75% untuk eh data
testingnya 25% dan menghasilkan tadi
seperti Eh tadi ya r p 2 dan sebagainya
untuk data maupun data eh testingnya
untuk data ujinya juga nah untuk SK
kedua adalah membagi untuk data
trainingnya 80% dan 20% data testing ter
skenar ketiga artinyai menjadi 70% data
training 30% data testing
Nah kita lakukan tiga setengar itu yang
dilakukan dalam hal tadi trend and
errornya untuk menentukan tadi mse
maupun msp yang paling kecil
nah berikutnya adalah dari hal eh
pengetahuan kita tentang eh Ann tadi
untuk pengelolahan data dan sebagainya
kita lakukan eh untuk melakukan terhadap
implementasi sistem dari prediksi itu
sendiri sampai akhirnya untuk strategi
pencarian model yang direncanakan
pertama kita lakukan bangun model tadi
sudah dilakukan dengan adanya dua eh
inputan hidden layer maupun eh outputnya
itu sendiri nah dalam hal ini
eh pemrogramannya untuk pengolahan
datanya menggunakan pyon ada beberapa
library yang digunakan gitu ya pakai
Pandas untuk Manul data untukiknya pakai
untukelnya menyimpan model yang telah
Dila
nah beberapa yang saya jelaskan
berikut yang digunakan di dalam Python
itu sendi sebagai bahan Kenapa tadi
mengeluarkan ee Apa hasil seperti itu
Nah dalam hal ini pertama untuk
persiapan data untuk eh datanya itu
sendiri tadi sudah dijelaskan ya tentang
data curah hujan dan kejadian banjir di
Kabupaten Karawang kita menggunakan
datanya dibaca melalui file csv Ini nah
pakai fungsi PD re csp dari pustaka
Pandas dan dia akan mengambil kolom di
di dalam tadi ada bulan ada curah hujan
dan banjir gitu untuk memastikan
kualitas data baris yang mengandung
nilai kosong daradaolom bulan akan
dihapus Menggunakan fungsi Dr nah
seperti ini jadi kalau ada yang kosong
omatis kan kalau
bulan kosong pasti Datanya juga
kos berikutnya dilakukan normalisasi
data yang tadi sudah
menghasilkan jadi eh menggunakan metode
Min
dengan rumus tadi akhirnya dikembangkan
di dalam pemogramannya adalah seperti
ini gitu ya Ada fungsi untuk min max
Normal Di mana sebagai parameter adalah
kolom kemudian lakukan arsitektur model
jaringan untuk jaringan Sar Ini pertama
ada du neon untuk lapisan input untuk
curah hujan dan kejadian banjir
sebelumnya ini ada curah hujan dan
banjir
eh dan berikutnya ada lapisan
tersembunyi ada 10 neuron iniden dinya
kemudian ada outputnya ada satu neuron
yang fungsinya nanti memprediksi nilai
kemungkinan pada bulan-bulan
Berikutnya ini seperti ini fungsi yang
digunakan nah lakukan inalasi fungsi
aktivasi di mana fungsi Akas ini adalah
untuk meningkatkan kinerja model
jaringan saraf tiuan tersebut tadi Eh
dalam hal ini
kita menggunakan Bagaimana pengaruh
aktivasi ini dalam sinyal yang diproses
Danon kemudian regularisasi berfungsi
untuk menghindari overting Nah pertama
kita gunakan
aktivasi linear unit pada lapisan
tersembunyi dalam jaringanwan kemudian
aktivasi linear ini untuk eh masalah
regresi di mana outputnya adalah nilai
ktinu jadi memungkinan jaringan
untukemediksi nilai kontin yang
memprestasikan intensitas banjir
kemudian melakukan regularisasi Drop Out
ini menggunakan
ee fungsi-fungsi tadi fungsi tiga fungsi
itu ada relw ada relw Der aktif Ada
linear kemudian Bagaimana ada linear
direct aktif maupun Drop Out sekali lagi
untuk mencegah
overfitting sehingga eh mengurangi
ketergantungan model pandan orang ter
kemudian kita lakukan evaluasi dari
model tersebut jadi setelah pelatihan
selesai model dievaluasi menggunakan
data testing yang dipisahkan dari data
pelatihan jadi menggunakan eh main
Square error maupun root main Square
eror dan bagaimana koefisien dari
determinisasi dari R P2 nah r p yang
lebih tinggi menunjukkan bahwa model
memiliki kemampuan prediksi yang lebih
baik nah
iniodingannya adalah seperti ini bapak
ibu
ini sebagai pengetahuan saja bagaimana
ee di dalam pemrogramannya dilakukan
tadi konsep-konsep yang sudah dijelaskan
di
awal kemudian berikutnya adalah
penyimpan model
jadi sehingga ee dalam hal ini kita bisa
menyimpan model terbaik yang diperoleh
selama laatihan agar model yang telah
dilatih tidak perlu dilatih ulang dan
dapat digundahkan kembali pada masa
mendatang untuk prediksi data baru Nah
bobat bias terbaik dari Jar menggunakan
pustaka piikel dalam format
file.pkl nah seperti
ini nah kemudian implementasi
aplikasi kita gunakan berbasis web gitu
untuk memprediksi intensitas banjir
berdasarkan data Ceka hujan Nah itu
sendiri pakai membangunnya dengan framew
plus dan
ini memang eh Bapak Ibu kalau dilihat
eh masih sederhana dan masih efisien
jadi masih terbatas Bagaimana
memprediksi di bulan berikutnya akan
terjadi banjir berap berapa gitu ya
sini Sehingga dalam hal ini pertama
iniisasi
aplikasi ini untukelola dan Perman dari
apasi web kemudi ada fsiormalisasi
ini untuk mengambikan nilai prediksi
yang sebelumnya telah dinorisasi ke
Skala aslinya hasilnya supaya bisa
diasikan secara langsung dalam konteks
data banjir dan curah hujan yang
sesungguhnya kemudian ada memuat model
terbaik tadi jadi kita
eh simpan tadi model terbaik dalam base
model kemudian eh
hasilnya kita berbentuk informasi yang
tentang normalisasi dan datanya itu
sendiri yang sudah ada di tabel yang
sudah dijelaskan
sebelumnya
kemudian ini untuk prediksi 6 bulan ke
depan di mana ee prediksi ini dilakukan
secara berulang di mana hasil prediksi
bulan sebelumnya digunakan sebagai input
untuk prediksi bulan berikutnya juga
sehingga memungkinkan model memprediksi
bola banjir secara
berkelanjutan Nah untuk rute utama
aplikasi ini pakai eh HTML
jadi langsung di
ee
jalankan kemudian ada rute prediksi ini
untuk melakukan prediksi banjir selama 6
bulan ke depan ini pakai dataaset yang
digunakan sebagai input awal tadi ini
bentuk e
codingannya kemudian ases skenario tadi
untuk mse ada sebesar 0,037 dan root min
Square errornya itu ada 0,0 61
menandakan rata-rata kesalahan prediksi
sangat kecil jadi untuk prediksi ini
juga dihitung tingkat
akurasinya bagaimana untuk menunjukkan
kesalahan prediksinya yang sangat kecil
Kemudian untuk nilai r square-nya yaitu
0,94 untuk data latih dan 0,9543 untuk
data testing menunjukkan model mampu
menjelaskan lebih dari 94% variabilitas
data baik pada data Lati maupun data
testing ya perbedaan kecil antara R2
data latih dan data testing
mengindikasikan bahwa model tidak
mengalami overfitting dan memiliki
kemampuan generasi yang baik terhadap
data baru kemudian hasil lain untuk MSC
yang
0,0142 maupun 0,1
1191 ini rata-rata kesalahan prediksi
mod sedikit lebih tinggi dibandingkan
hasil sebelumnya nah kemudian r2-nya ini
adalah 0,901 untuk data latih
menunjukkan bahwa model mampu menjelas
sekitar 90% variabilitas data latih yang
menunjukkan performa yang cukup baik nah
kemudian untuk r p dari data Eh ini
turun menjadi 0,8001 yang berarti model
hanya dapat menelasan sekitar 80%
Sebelumnya kan 94% untuk variab dat
testingnya perbed ini menunjukkan bahwa
model mungkin mengalami sedikit
overfitting di mana model lebih baik
dalam memprediksi data yang sudah Dapi
tetapi kurang optimal saat diaplikasikan
pada data baru
kemudian skenario eh berikutnya
adalah untuk msc-nya ada 0,0265 dan
msc-nya adalah
0,1628 berarti rata-rata kesalahan
prediksi model ini cukup signifikan
denganang nilai r square-nya ini adalah
0,5974 untuk data latih menunjukkan
model hanya mampu menjelaskan sekitar
59,74% variabil datati yang meningalkan
bahwa model ini tidak terlalu kuat dalam
memprediksi data latih nah R Square ini
lebih tinggi yaitu
0,6497 menunjukkan bahwa model mampu
menjelaskan sekitar
64,97% variabilitas data tes
nah nilai r Square pada data t ini lebih
baik dibandingkan data latih ini
menunjukkan bahwa model Memiliki
keterbatasan dalam menjelaskan varias
data secara keseluruhan baik pada data
la maupun pada data testing ini
menginikan B model mungkin masih perlu
dioptimalkan atau menggunakan an fitur
tambahan untuk meningkatkan performal
prediksi atau kemampuan
generalisasi dari hasil ketiga hasil
sear itu menunjukkan bahwa variasi dalam
model prediksi ada tingkat kesalahan dan
kemampuan penjelasan yang berbeda-beda
sehingga di bisa dilihat bahwa skenario
pertama model menunjukkan performa yang
sangat baik dengan MS dan RC yang rendah
dan nilai r square-nya yang tinggi baik
pada data Lati maupun data testing
menandakan kemuan generasi yang kuat
kalau senenario kedua MS ser meningkat
sementara R sare-nya menurun menunjukkan
bahwa model masih cukup baik dalam
menjelaskan prioritas data tetapi
mengalami sedikit penurunan performa
pada data testing ini mengindikasikan
kemungkinan overfeitting pada skenario
ketiga MS dan MD lebih tinggi dengan R
qu yang lebih rendah baik pada data
lating maupun data testing menunjukkan
bahwa model memiliki performa yang lebih
eh lebih lemah dan kemampuan penjelasan
yang terbatas serta memerlukan optimasi
yang lebih lanjut jadi hasil keseluruhan
menggambarkan adanya variasi dalam
kualitas model dengan sken pertama yang
paling baik dan SK ketiga yang merlukan
perbaikan signifikan Nah dari hasil
prediksi tersebut maka skener pertama
yang dipilih yaitu 75% data training
dan5% data testing yang digunakan
sebagai latihan jadi ada du neuron input
layer ada S headden layer dengan 10
neuron ada Running rate 0,01 epnya 3000
dengan drop 0,3 maka prediksinya untuk 6
bulan ke depan artinya di bulan Juli itu
terjadi jumlah kejadian banjir 7 Agustus
6 September 5 Oktober 5 November 4 dan
Desember
3 nah untuklementasi aplikasi ini
berbentuk eh aplikasinya ada user dia
bisa eh mengupdate untuk training model
menyimpan bobot dan biasnya ada lihat
data histori maupun hasil prediksi
longsornya nah ini tampilan utama dari
aplikasinya memang masih sederhana bapak
ibu jadi ada data yang kita masukkan
nanti kalau datanya ditambah juga akan
berubah kemudian ada grafik untuk
setelah normalisasi nah hasilnya adalah
sama seperti tabel tadi untuk prediksi
banjir untuk 6 bulan ke
depan Nah sekarangitanya Bagaimana
memprediksi longsor ini juga sama pakai
Ann ini data yang kami e dapatkan ada
dari Kabupaten Purwakarta
nah datasetnya adalah data curah hujan
provinsi Jawa Barat dan data kejadian
tanah longsor kabupaten berwaka yang
dikumpulkan dari
BPPD Kabupaten Purwakarta dan Bandan
meteorologi Bandung melalui website
Badan Pusat statistika ini data historis
tanah longsor Kabupaten powokarta dari
2024 sampai 2002 2022 sampai 2024 untuk
bulan eh Januari sampai Desember seperti
ini misalnya di 2022 di bulan Januari
terjadi 6 kali kejadian tanah lsor dan
sebagainya nah di 2024 ini juga sampai
bulan Juli ini grafik tanah
longsor nah kemudian data historis curah
hujan hampir sama tadi ya sudah di ee
Jelaskan Nah tadi juga kita gunakan
model yang cocok dengan dataset untuk
ann-nya tadi sama juga kita gunakan ee
model n untuk struktur annnya duluasi
inputnya kemudianasi maksim target error
FSI aktivasi adaasi jumlah neon juga
melakukan verifikasi dan
validasi ini strukturnya ada dua input
layer tadi
ya curah hujan maupun longs kemudian
nanti ada Hi layernya ada out
lah hal iniernya
hisor hujan dan hisor tanah longsor
Hiden layernya ini
eh dalam hal ini FSI Akas
digunakanid Danan yang membantu jaringan
untuk menangani
nonaritas ada Hi layer yanghubung antara
input layer dan output layer itu sendir
outputnyaghasil prediksi klasifikasi
beras informasi dies Hi layer
ituend nahuk layer sudah dijelaskan juga
ini histori tanah longsor Kabupaten
Purwakarta maupun data cura
hujan karena ini salah satu faktor untuk
yang mempi tanah longsor Kenapa dipilih
curah hujan kemudian tentukan hidden
layernya sama tadi ya oke Ada kemampuan
representasi di mana lebih banyak neren
ini untuk meningkatkan jumlah n dapat
memberikan model kapasitas lebih besar
untuk menangkap pola yang kompleks dalam
data ini kita gunakan fitur non linier
untuk terlalu banyak neuron kita eh eh
yang akhirnya menjeebabkan overfit gitu
ya pada data pelatihan ini mengakibatkan
model akan berkai buruk pada data yang
belum pernah dilihat
sebelum untuk mengelakukan efisensi
waktu pelatihan digunakan waktu
komputasinya lebih banyak neuron berarti
lebih banyak komputasi yang dapat
meningkatkan waktu kelihatan penggunaan
sumber daya komputasi ini harus
dilakukan batasan waktu atau Sumber daya
itu F memori untuk lebih banyak naran
memerlukan lebih banyak memori untuk
menyimpan bobot dan bias yang menjadi
masalah padaat dengan kapasitas memori
yang terbatas untuk kemampuan
generalisasi untuk underfitting ini
terlalu sedikit dapat menyebabkan
underfitting di mana model tidak mampu
menangkat pola dalam data dengan cukup
baik ini akan menghasilkan perp yang
buruk pada data pelatihan maupun data
uji unukfiting ini terlalu banyak neuron
dapat
menyebabkanfitting di mana model menjadi
terlalu kompleks dan mulai menangkap
noise dalam data pelatihan yang
mengurangi kemampuan generalisasi
model
kemudian dilakukan eksperimen dengan
berbagai arsitektur model untuk
menentukan kombikasi yang optimal dari
model nn ini diuji untuk eh hingga
hidden layer-nya dengan jumlah neuron
yang berariasi bervariasi di mana ada
satu hidden layer menggunakan tiga
neuron dan dan jumlah neuron pada Hiden
layer akan dikalikan dengan jumlah input
yaitu 3 * 2 misalnya inputannya ada du
maka 6 dan seterusnya
dentukan parameter untuk
eh optimisasi dalam model ini adalah
tentunya kita gunakan
eh jumlah neonnya untukap headnya
Seperti apa R jumlahnya maupun jenis FSI
aktivasinya sehingga nanti
ditentukan dan erornya untuk
ekperimen dalam hal ini ada Hi layer
yangar berah
dilakukan 1 hingga 3 hidden layer kemian
jumlah neuronnya ada tiga ditingkatkan
hingga 16 neuron sehingga akan terlihat
adanya berbagai kombinasi jumlah neuron
untuk learning rate-nya ini memukkan
seberapa besar langkah yang diambil
untuk meng-update bobotnya nilai yang
digunakan antara 0,01 hingga 0,1 dalam
hal ini kita gunakan nilai running rate
untuk menentukan nilai
optimalnya untuk bas side ya itu sendiri
ada jumlah sampel yang diproses nilai
bes-nya antara umumnya adalah 16 32 64
atau 100
ee
28 kemudian ada jumlah evok evok ini
menentukan berapa kali seru datas
digunakan untuk melatih model dan
eksperimen dilakukan dengan berbagai
jumlah epok Misalnya 50 100 atau 300
epok untuk jenis fungsi aktivasi ini
digunakan ada ru sigmoid dan
Tan sehingga digunakan pakai Ru
Nah dari hasil Eh kodingannya
ini ada model Hi layer-nya adalah
0,232 menunjukkan bahwa model memiliki
kesalahan rata-rata kuadrat yang relatif
kecil koefisien determinansi R squ-nya
itu sebesar Min
0,4660 menunjukkan performa buruk di
mana model tidak mampu melakukan
generalisasi dan bahkan lebih buruk
daripada prediksi sederhana berdasarkan
rata-rata jadi sec keluran perpon model
kurang optimal terutama dalam prediksi
data
baru kemudian ada model 3
neuron yau untuk hidden layer ini
memiliki m square-nya
0,214 Kemudian untuk rms-nya adalah
0,463 menghandkan rata-rata kesalahan
prediksi pada data cukup rendah l
square-nya itu ada 0,25 menunjukkan
model hanya mampu menjelaskan sekitar
25,5% variasi dalam data latih sementara
S nega -
0,325 pada data testing menunjukkan
model Miku performa yang sangat buruk di
luar data latih kemungkinan disebabkan
oleh
overting Nah untuk model yang 0,31
learning
rate Ini menghasilkan msc-nya 1 koma
Sekian dan rms-nya 3,2 sekian menandakan
adanya kesalahan prediksi yang sangat
ekstrm jadi negatif yang sangat berar
datnya adalah -7,5 dan data testingnya6
menjukkan bahwa model kegagal total
danprediksi dengan benar ini kemungkinan
oleh masalahik dalam perhitungan atau
penggunaan parameter yang tidak tepat
selama pelatihan menyebabkan model tidak
konvergen Kemudian untuk menentukan
output layernya hasilnya adalah sebuah
variabel yang berisi prediksi ya jumlah
kejadian tanah di kabup untuk periode
nah periode pada menunjukkanan pada
lapisan outputnya adalah 1 bulan ke
depan Nah
lakukanlahing data pertama untuk dataing
tadi ya untuk memperikan data yang tidak
konsisten atau menghapus kesalahan
padaumpulan data sekunder yangah
dikumpulkan dari sumber data ada
normalisasi data tadi sudah jelaskan
gunakan Min normalation ini juga
eh rumus yang sudah kita lakukan
kemudian hasil normalisasi data minmanya
seperti se
ini
kemudian grafiknya nah lakukan
dermonalisasi juga dengan rumus yang
sama nah scanornya adalah jadi data
dibagi menjadi 80% untuk scen pertama
untuk data training 20% data testing
untuk yang kedua data dibagi menadi 70%
data training dan 30% pada data testing
dan data dibagi menjadi 90% data
training dan 10% data testing
Nah kita lihat untuk impasi sistemnya
itu sendiri pertama adalah dengan
membangun model prediksi kejadian tanah
longsor gitu ya
gunak teknik normalisasi Dr Maun
optimasi bobot
melalui jadi model ini di memberikan
prediksi yang akurat dapat yang dapat
digunak untuk tujuan mitigasi benc
perencan yang lebih untuk datnya kita
gunakan
form an memiliki nilai baris yanggilang
nanti dihapus barisnya untuk kolom bulan
ke