Prediksi Banjir Lahar Dingin pada Lereng Merapi menggunakan Data Curah Hujan dari Satelit

Abstract

Banjir lahar dingin merupakan sekumpulan lahar yang dimuntahkan oleh gunung berapi dan sampai ke permukaan yang lebih rendah dengan bantuan atau dorongan dari air hujan. Akibatnya, air hujan yang membawa serta material-material vulkanik dari lahar ini akan menerjang lahan yang berada di bawahnya ataupun pemukiman penduduk dan banyaknya kerusakan atapun dampak-dampak lain yang akan dihasilkan oleh banjir lahar dingin ini. Faktor yang menyebabkan banjir lahar adalah intensitas atau curah hujan (mm/jam) dan akumulasi hujan (mm/7hari). Terjadinya banjir lahar dapat dideteksi oleh beberapa alat salah satunya adalah Geofon. Alat sering rusak dan hanyut karena dipasang atau ditempatkan pada permukaan tanah disetiap stasiun sungai, dan pada saat terjadinya banjir lahar hingga sampai ke permukaan yang lebih rendah maka alat tersebut tidak dapat mengirimkan informasi getaran. Oleh karena itu pada penelitian ini di buat sebuah sistem untuk membantu sensor Geofon dalam memprediksi banjir lahar pada kawasan Lereng Merapi. Sistem akan mengeluarkan status getaran yang terdiri dari 4 kelas yaitu banjir rendah, banjir sedang, banjir tinggi dan tidak terjadi banjir lahar dengan memperhitungkan atribut curah hujan dan akumulasi hujan dari satelit menggunakan metode K-NN (K-Nearest Neighbor). Pemilihan nilai K pada algoritma K-NN menjadi hal yang penting karena akan mempengaruhi kinerja dari algoritma K-NN pada sistem prediksi banjir lahar, oleh karena itu perlu diketahui berapa nilai K dan tingkat akurasinya. Metode 10-Fold Cross Validation dan Uji Akurasi digunakan untuk mengetahui nilai K Optimal pada tiap lokasi penelitian yaitu Gendol, Putih 1 dan Putih 2. Berdasarkan hasil pengujian yang didapat adalah pada lokasi Gendol dan Putih 1 menggunakan 3-NN dengan akurasi rata-rata 72.307% dan 81.429%, lokasi Putih 2 menggunakan 1-NN dengan akurasi rata-rata 86.955%. Data pengujian pada lokasi Gendol menggunakan data 1-Fold Cross Validation dengan akurasi 3-NN 92.31%, Putih 1 data 8-Fold Cross Validation dengan akurasi 3-NN 95.24%, dan Putih 2 data 10-Fold Cross Validation dengan akurasi 1-NN 91.3%.