Sistem Prediksi Daerah Rawan Banjir Menggunakan Metode LSTM dan Random Forest Berbasis Citra Satelit dengan Google Earth Engine

Flassy, Nico (2026) Sistem Prediksi Daerah Rawan Banjir Menggunakan Metode LSTM dan Random Forest Berbasis Citra Satelit dengan Google Earth Engine. Undergraduate thesis, Politeknik Negeri Jember.

	Text (Abstract) Abstract.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (120kB)
	Text (Bab 1 Pendahuluan) Bab 1 Pendahuluan.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (142kB)
	Text (Daftar Pustaka) Daftar Pustaka.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (105kB)
	Text (Laporan Lengkap) Laporan Lengkap Fix.pdf - Submitted Version Restricted to Registered users only Download (2MB) | Request a copy

Abstract

Banjir merupakan salah bencana alam yang paling sering terjadi di Indonesia. Becana ini memilki berbagai dampak yang signifikan dalam berbagai aspek, mulai dari aspek sosial, ekonomi, hingga lingkungan. Oleh karena itu, diperlukan sistem peringatan dini yang mampu memberikan prediksi secara akurat sebagai upaya mitigasi preventif. Penelitian ini bertujuan untuk mengembangkan sistem prediksi daerah rawan bencana banjir yang diterapkan pada website bernama "Smart Mitigation" menggunakan medel machine learning Long Short-Term Memory (LSTM) dan Random Forest. Data yang digunakan dalam platform ini memiliki karakteristik non-linear, fluktuatif, serta memiliki ketergantungan temporal. Proses pengolahan data antara lain meliputi preprocessing, feature engineering, serta data augmentation untuk mengatasi imbalance data. Model yang dibangun kemudian diintegrasikan ke dalam aplikasi sebagai fitur utama dalam mendukung mitigasi bencana. Hasil penelitian menunjukan bahwa pendekatan machine learning mampu memberikan performa prediksi yang baik dan dapat dimanfaatkan sebagai sistem pendukung keputusan dalam mitigasi banjir. Model ini memperoleh accuracy sebesar 96,67%, precision sebesar 100%, recall sebesar 83,33%, F1-score sebesar 0,9091, serta ROC-AUC tertinggi yaitu 0,9792. Dengan adanya sistem ini, diharapkan dapat meningkatkan kesiapsiagaan masyarakat dan membantu pihak terkait dalam mengambil langkah preventif sebelum terjadinya bencana.

Actions (login required)

View Item