Effective disaster mitigation strategies are paramount in the realm of risk management concerning natural calamities, with the primary objective of mitigating potential devastation. A pragmatic and impactful method involves predicting the contributory aspects of such disasters, encompassing variables such as torrential rainfall and formidable wind velocities that tropical cyclones bring. In this study, a comparative analysis of forecasting methodologies is undertaken, precisely the Long Short-Term Memory (LSTM) technique and the Holt Winter approach, both directed toward gauging the impact of tropical cyclones. This investigation focuses on two critical factors: the forecast of precipitation intensity and the estimation of maximum wind speed. The outcomes underscore the superior predictive capabilities of the LSTM method, unequivocally revealing its aptitude for predicting rainfall and wind speed. Impressively, the LSTM method yields remarkable precision levels of 97.433% for rainfall and an even higher accuracy of 99.018% for maximum wind speed forecasting. In essence, this study highlights LSTM's efficacy in disaster prediction with substantial accuracy.
Bahasa Indonesia
Strategi mitigasi bencana merupakan salah satu contoh manajemen risiko untuk mengantisipasi terjadinya bencana alam yang bertujuan untuk meminimalkan risiko murni yang dapat terjadi. Salah satu upaya mitigasi bencana sederhana yang dapat dilakukan adalah dengan meramalkan faktor-faktor penyebab bencana alam. Misalnya, curah hujan dengan intensitas tinggi dan kecepatan angin yang tinggi diketahui menjadi faktor penyebab terjadinya badai (angin. puting beliung). Pada penelitian ini dilakukan perbandingan dua metode peramalan terhadap faktor penyebab badai yaitu curah hujan dan kecepatan angin maksimum, dengan menggunakan metode Long Short Term Memory (LSTM) dan metode peramalan sederhana yaitu metode Holt Winter. Hasil penelitian menunjukkan bahwa metode Long Short Term Memory dapat memprediksi curah hujan dan kecepatan angin maksimum dengan baik, dengan nilai akurasi masing-masing sebesar 97,433% dan 99,018%.
Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.