<![CDATA[Banjir merupakan bencana yang kerap melanda kawasan perkotaan seperti Kota Bandung akibat tingginya curah hujan dan keterbatasan kapasitas drainase. Metode pemetaan banjir konvensional berbasis GIS manual memiliki kelemahan dalam kecepatan pemrosesan, subjektivitas analis, dan penanganan data berskala besar. Penelitian ini bertujuan membangun sistem segmentasi banjir berbasis deep learning menggunakan arsitektur U-Net dengan encoder ResNet34. Dataset yang digunakan merupakan kombinasi citra satelit dan citra udara (drone) yang telah dilabeli, terdiri atas 464 citra pelatihan dan 240 citra pengujian. Model dilatih menggunakan optimizer Adam (learning rate 0,0001), loss function BCE-Dice, batch size 16, dan maksimal 50 epoch dengan mekanisme early stopping. Sistem diimplementasikan sebagai REST API berbasis Flask Python untuk mendukung penggunaan secara real-time. Hasil pengujian menunjukkan nilai mean Intersection over Union (mIoU) sebesar 82,1% dengan waktu inferensi rata-rata 2 detik per citra, meningkat 59.900% dibandingkan metode GIS manual. Pengujian kualitas perangkat lunak menggunakan standar ISO/IEC 25010:2011 mencatat tingkat kelulusan fungsional 95,1% (78 dari 82 test case). Sistem ini mampu menghasilkan peta wilayah terdampak secara cepat dan otomatis guna mendukung prioritas evakuasi, distribusi bantuan, dan perencanaan mitigasi bencana.]]>
Copyrights © 2026
