Perbandingan Sistem Deteksi Banjir Menggunakan Algoritma Naive Bayes Dan K-NN Berbasis IOT

Sari

Bencana alam banjir memiliki dampak yang merusak yang disebabkan oleh menaiknya ketinggian air secara tiba-tiba. Diperlukan sebuah sistem deteksi dini banjir untuk mencegah dampak dari banjir. Penelitian ini bertujuan untuk merancang sistem monitoring serta deteksi dini banjir berbasis mikrokontroler ESP8266 yang mengendalikan sensor Water Flow dan Ultrasonik untuk mendeteksi air dengan mengimplementasikan metode Algoritma Naive Bayes dan K-NN. Didapatkan hasil bahwa sistem dapat bekerja dengan baik melalui antarmuka dari aplikasi Blynk, yang nantinya akan menampilkan data hasil monitoring debit air dan juga mengetahui status air dengan tiga jenis status, ‘Aman’ (LED hijau) dengan ketinggian air kurang dari 7 cm, ‘Waspada’ (LED kuning) dengan ketinggian air lebih dari 7 cm sampai 18 cm, serta ‘Bahaya’ (LED merah) dengan ketinggian air sama atau lebih dari 18 cm sampai 29 cm. Jika debit air berubah lebih dari atau sama dengan 0,87 L/min dari data yang didapat sebelumnya, maka akan berubah ke kondisi status setelahnya. Hasil pengujian data menunjukkan bahwa, lebih baik menggunakan metode K-NN yang memperoleh akurasi 95% daripada metode Naïve Bayes yang memperoleh akurasi 90%.

Flood natural disasters have a devastating impact, caused by a sudden rise in water levels. An early flood detection system is needed to prevent the impact of flooding. This study aims to design a monitoring system and flood early detection based on the ESP8266 microcontroller which controls the Water Flow and Ultrasonic sensors to detect water by implementing the Naive Bayes Algorithm and K-NN methods. The results show that the system can work properly through the interface of the Blynk application, which will later display data from monitoring the water discharge and also find out the status of the water with three types of status, 'Safe' (green LED) with a water level of less than 7 cm, 'Alert' ' (yellow LED) with a water level of more than 7 cm to 18 cm, and 'Danger' (red LED) with a water level of 18 cm to 29 cm. If the water discharge changes more than or equal to 0.87 L/min from the data obtained previously, it will change to the status condition after that. The results of data testing show that it is better to use the K-NN method which obtains 95% accuracy than the Naïve Bayes method which obtains 90% accuracy.