<![CDATA[Banjir merupakan bencana hidrometeorologi yang sering terjadi di wilayah tropis dan berdampak signifikan terhadap aspek sosial, ekonomi, serta infrastruktur. Penelitian ini mengembangkan Early Warning System (EWS) deteksi banjir berbasis multi-sensor dengan arsitektur Internet of Things (IoT) real-time yang mengintegrasikan pemrosesan edge dan cloud. Sistem diimplementasikan di [lokasi penelitian] selama empat bulan dengan total 12.480 dataset yang dikumpulkan setiap interval 5 menit. Parameter yang diamati meliputi tinggi muka air menggunakan sensor ultrasonik JSN-SR04T, curah hujan, suhu udara, dan kecepatan angin. Data diproses melalui pembersihan, normalisasi Min-Max, dan ekstraksi fitur deret waktu. Model Long Short-Term Memory (LSTM) digunakan untuk memprediksi pola temporal kenaikan muka air, sedangkan Random Forest digunakan untuk klasifikasi tingkat risiko banjir. Evaluasi dilakukan menggunakan skema train-test split 80:20 dan 5-fold cross-validation dengan hyperparameter tuning berbasis grid search. Hasil pengujian menunjukkan bahwa model LSTM memperoleh akurasi 91%, presisi 90%, recall 92%, dan F1-score 91%, sedangkan Random Forest mencapai akurasi 89%, presisi 88%, recall 90%, dan F1-score 89%. Model hybrid LSTM–Random Forest memberikan performa terbaik dengan akurasi 93%, presisi 92%, recall 94%, dan F1-score 93%. Sistem mampu memberikan peringatan dini 25–40 menit sebelum ambang batas banjir kritis tercapai dengan waktu respons kurang dari 3 detik. Kebaruan penelitian ini terletak pada integrasi multi-sensor hidrometeorologi dengan skema hybrid LSTM–Random Forest dalam arsitektur edge–cloud real-time yang meningkatkan akurasi prediksi sekaligus menurunkan latensi sistem peringatan dini banjir.]]>
Copyrights © 2026
