Rata Rata Bergerak Untuk Mengoptimalkan Risiko Banjir Deteksi dan Peramalan Curah Hujan dengan PSO-LSTM

Abstract

Prakiraan bulanan penting dalam deteksi risiko banjir karena dapat membantu merenca
nakan pencegahannya dalam jangka panjang. Namun, peramalan jangka panjang dalam deteksi
 risiko banjir masih memiliki kinerja yang terbatas. Penelitian ini bertujuan untuk membuat pera
malan banjir menggunakan long short term memory (LSTM) yang dioptimasi dengan pemulusan
 rata-rata bergerak, particle swarm optimization (PSO), dan penerapan kembali residual noise. Pada
 penelitian ini, dataset yang digunakan berisi informasi mengenai curah hujan dalam satuan milimeter
 (Rainfall- MM), yang kemudian dinormalisasi untuk meningkatkan performa model prediksi . Kami
 melakukan analisis moving average terhadap kinerja prediksi model. Kemudian, PSO meningkatkan
 kemampuan prediksi LSTM dengan menemukan hiperparameter yang optimal. Terakhir, kami
 melakukan penerapan kembali residual noise untuk mendapatkan outlier yang penting dan mengin
dikasikan apakah banjir terjadi atau tidak. Hasil pengujian menunjukkan bahwa PSO mendapatkan
 R-squared optimum pada iterasi keempat, dengan hyperparameter optimum adalah learning rate,
 unit LSTM, epoch, dan batch size sebesar 0.01, 200, 93, dan 64. Moving average terbukti mening
katkan performa LSTM dan PSO+LSTM, di mana MAPEmenurundari 2,74 dan 1,30 menjadi 0,32
 dan 0,31, . Terakhir, penerapan residual noise berpengaruh terhadap deteksi risiko banjir , dimana
 akurasi deteksi meningkat dari 0.985 menjadi 0.996.