<![CDATA[Abstrak— Banjir merupakan peristiwa yang dapat menyebabkan penumpukan air di daerah yang biasanya tidak terendam, seperti lahan pertanian, permukiman, dan pusat kota. Sebagian besar banjir terjadi ketika volume air melampaui kapasitas sungai untuk menampungnya atau sistem drainase. Meskipun tidak berbahaya jika tidak menimbulkan kerugian, korban jiwa, atau cedera, banjir yang berulang dan signifikan dapat mengganggu kehidupan manusia dan mengakibatkan kerugian ekonomi yang besar. Respons terhadap banjir melibatkan serangkaian langkah dari tanggap darurat hingga tindakan pencegahan di masa depan, dengan pendekatan fisik dan non-fisik. Penelitian terkini telah memanfaatkan big data dan pembelajaran mesin untuk mengurangi dampak banjir. Pembelajaran mesin memungkinkan analisis dan prediksi banjir berdasarkan data historis, yang dapat meningkatkan kinerja sistem prediksi dan memberikan solusi yang hemat biaya. Solusi yang diusulkan adalah menggunakan kecerdasan buatan untuk mengidentifikasi daerah rentan terhadap banjir, memudahkan pelaksanaan tindakan pencegahan yang lebih efektif. Proses ini mencakup segmentasi citra, validasi, dan pengembangan model untuk memetakan daerah yang rentan terhadap banjir. Hasil dari analisis penelitian ini adalah segmentasi gambar yang dapat efektif mengidentifikasi area yang berpotensi banjir. Dalam pencegahan banjir dan penciptaan solusi yang optimal sebagai deteksi banjir sebelum terjadinya bencana, fitur ini juga dapat membantu badan penanggulangan bencana jika dapat bekerja sama dalam mengimplementasikan strategi tanggap darurat yang lebih efisien dan responsif. Penelitian ini diharapkan dapat meningkatkan efisiensi tanggap darurat, mengembangkan teknik pembelajaran mesin, meningkatkan kesadaran tentang penanganan banjir, dan memperluas pengetahuan tentang manajemen bencana. Kata kunci: Kecerdasan Buatan, Convolutional Neural Network, Segmentasi Citra. Abstract — Flooding is an event that can cause an accumulation of water in areas that are not normally submerged, such as agricultural land, settlements, and city centers. Most Large floods occur when The amount of water in excess of the river's capacity to hold it. or drainage system. While harmless if they do not cause loss, loss of life or injury, recurrent and significant flooding can disrupt human life and result in large economic losses. The response to flooding involves a series of steps from emergency response to future preventive measures, with both physical and non-physical approaches. Recent research has utilized big data and machine learning to reduce the impact of floods. Machine learning enables flood analysis and prediction based on historical data, which can improve the performance of prediction systems and provide cost-effective solutions. The proposed solution is to use artificial intelligence to identify areas vulnerable to flooding, facilitating the implementation of more effective preventive measures. The process includes image segmentation, validation, and model development to map areas prone to flooding. The result of this research analysis is image segmentation that can effectively identify potentially flooded areas. In flood prevention and the creation of optimal solutions as flood detection before a disaster occurs, this feature can also help disaster management agencies if they can work together in implementing more efficient and responsive emergency response strategies. This research is expected to improve emergency response efficiency, develop machine learning techniques, raise awareness about flood management, and expand knowledge about disaster management.Keywords: Flood, Artificial Intelligence, Convolutional Neural Network, Image Segmentation]]>
