1. Prediksi Kerugian akibat bencana banjir di wilayah provinsi gorontalo menggunakan metode support vector machine
2. pemanfaatan algoritma random forest untuk analisis efektivitas distribusi logistik dalam penanganan bencana (studi kasus : distribusi Logistik bencana di provinsi gorontalo)

• belum diterapkannya machine learning sebagai alat bantu memprediksi kerugian akibat bencana sehingga anggaran pemulihan pascabencana seringkali tidak sesuai.
• distribusi logistik bencana yang belum optimal mengakibatkan waktu pemulihan pascabencana menjadi lebih lama

1.         Mengembangkan model machine learning dengan metode Support Vector Machine (SVM) untuk memprediksi kerugian akibat banjir di Provinsi Gorontalo, serta mengevaluasi seberapa efektif model ini dalam melakukan prediksi.

2.         Mengidentifikasi faktor-faktor yang mempengaruhi kerugian akibat banjir melalui analisis data yang dilakukan oleh model SVM.

3.         Menggunakan algoritma Random Forest untuk mengoptimalkan distribusi logistik dalam penanganan bencana banjir, sehingga dapat meningkatkan efisiensi dan efektivitas respons saat bencana terjadi.

4.         Menemukan tantangan dan kendala dalam penerapan model machine learning dan optimasi distribusi logistik, serta memberikan rekomendasi untuk mengatasi masalah tersebut.

1.         Teoretis: Penelitian ini diharapkan dapat memberikan kontribusi pada pengembangan ilmu pengetahuan, khususnya dalam bidang machine learning dan manajemen bencana.

2.         Praktis: Hasil dari penelitian ini bisa dimanfaatkan oleh pemerintah daerah dan lembaga terkait untuk merancang kebijakan dan strategi yang lebih efektif dalam mengurangi waktu pemulihan pascabencana .

Kuantitatif

CRISP-DM

• identifikasi masalah
• pengumpulan data
• pra-pemrosesan data
• seleksi dan rekayasa fitur
• pengembangan model
• Validasi
• pengujian model
• interpretasi dan rekomendasi