Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Jurnal Algoritma
Mar’ah, Maihuhatul
Unknown Affiliation
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Perbandingan Random Forest Dan Support Vector Machine Dalam Memprediksi Banjir Rob di Teluk Lampung Mar’ah, Maihuhatul; Arifin, Willdan Aprizal; Rosalia, Ayang Armelita
Jurnal Algoritma Vol 22 No 1 (2025): Jurnal Algoritma
Publisher : Institut Teknologi Garut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33364/algoritma/v.22-1.2145

Abstract

Banjir rob merupakan masalah serius yang sering terjadi di daerah pesisir, termasuk wilayah Teluk Lampung, yang disebabkan oleh peningkatan permukaan air laut akibat perubahan iklim dan aktivitas manusia. Fenomena ini berdampak signifikan pada kerugian ekonomi dan sosial, serta meningkatkan kerentanan pemukiman di kawasan pesisir terhadap berbagai ancaman bencana. Penelitian ini bertujuan untuk menganalisis dan membandingkan performa algoritma random forest dan Support Vector Machine (SVM) dalam memprediksi kejadian banjir rob di Teluk Lampung. Data yang digunakan mencakup kejadian banjir rob selama lima tahun terakhir, dengan fokus pada variabel-variabel seperti tinggi muka laut, kecepatan angin, dan faktor meteorologi lainnya. Metode pembelajaran mesin, khususnya random forest dan SVM, diterapkan untuk menganalisis data dan menghasilkan prediksi. Hasil penelitian menunjukkan bahwa random forest mengungguli SVM dalam hal akurasi, dengan nilai akurasi mencapai 89% dibandingkan 69% untuk SVM. Selain itu, Random Forest juga menunjukkan nilai ROC AUC yang lebih tinggi, yaitu 0,82, yang mengindikasikan kemampuan klasifikasi yang lebih baik. Penelitian ini merekomendasikan penggunaan Random Forest sebagai metode yang lebih efektif untuk memprediksi banjir rob di wilayah Teluk Lampung, serta menyarankan penelitian lebih lanjut dengan dataset yang lebih besar dan beragam untuk meningkatkan akurasi model prediksi.
Co-Authors Armelita, Ayang