Penerapan Back Propagation Neural Network untuk Identifikasi Bangunan di Wilayah Rawan Longsor

Abstrak

Longsor merupakan bencana alam yang sering terjadi di Indonesia, sehingga diperlukan metode prediksi yang efektif untuk mitigasi risiko. Penelitian ini bertujuan untuk menyelidiki kinerja dan akurasi Back Propagation Neural Network (BPNN) dalam mengidentifikasi bangunan di wilayah rawan longsor. Dataset yang digunakan terdiri dari citra satelit dan parameter bangunan seperti gambar rencana, denah, pondasi, dan elemen topografi. Data dinormalisasi menggunakan Min-Max Scaler dan dibagi menjadi training (60%), validation (15%), dan test set (25%). Model BPNN dirancang dengan 8 neuron pada lapisan input, 30 neuron pada lapisan tersembunyi, dan 3 neuron pada lapisan output, menggunakan fungsi aktivasi ReLU dan Softmax. Hasil penelitian menunjukkan bahwa model mencapai akurasi sebesar 90%, dengan confusion matrix menunjukkan klasifikasi yang akurat untuk sebagian besar bangunan. Dari total sampel, hanya 1,2% kesalahan klasifikasi terjadi pada kelas Kurang Aman. Kesimpulannya, Model ini mencapai akurasi sebesar 93%, dengan average precision sebesar 93,4%, rata-rata recall 93%, dan F1-Score 93%. Hasil perhitungan ini menunjukkan bahwa model BPNN memiliki performa yang sangat baik dalam mendeteksi dan memprediksi tingkat keamanan bangunan di daerah rawan longsor.