PREDIKSI SPASIAL DAN TEMPORAL BANJIR DI KOTA PALEMBANG MENGGUNAKAN MACHINE LEARNING BERBASIS DATA GEOSPASIAL

Aritonang, Clara Silvia Rotua (2025) PREDIKSI SPASIAL DAN TEMPORAL BANJIR DI KOTA PALEMBANG MENGGUNAKAN MACHINE LEARNING BERBASIS DATA GEOSPASIAL. Diploma thesis, Politeknik Negeri Sriwijaya.

Preview	Text (Cover) Cover.pdf - Published Version Download (1MB) | Preview
	Text (Abstrak) Abstrak.pdf - Published Version Download (237kB)
	Text (BAB I) BAB I.pdf - Published Version Restricted to Repository staff only Download (288kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Repository staff only Download (517kB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Repository staff only Download (882kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Repository staff only Download (3MB)
	Text (BAB V) BAB V.pdf - Published Version Restricted to Repository staff only Download (224kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf - Published Version Restricted to Repository staff only Download (203kB)
	Text (LAMPIRAN) Lampiran.pdf - Published Version Restricted to Repository staff only Download (4MB)

Abstract

Penelitian ini mengusulkan sistem prediksi banjir spatiotemporal yang mengintegrasikan citra radar Sentinel-1 tipe Single Look Complex (SLC) dengan data meteorologi. Citra Sentinel-1 diproses menggunakan Sentinel Application Platform (SNAP) dan QGIS untuk menghasilkan dataset titik dengan nilai backscatter dalam satuan desibel (dB) pada resolusi satu kilometer. Nilai backscatter ini kemudian dikombinasikan dengan variabel meteorologi yang diperoleh dari stasiun cuaca lokal. Untuk klasifikasi spasial, model eXtreme Gradient Boosting (XGBOOST) mencapai precision sebesar 98,3%, accuracy 99,94%, recall 97,5%, dan F1-score 97,9%. Hasil ini menunjukkan bahwa integrasi data Sentinel-1 dan meteorologi memungkinkan identifikasi lokasi banjir dengan tingkat akurasi yang sangat tinggi. Analisis interpretabilitas menggunakan SHapley Additive Explanations (SHAP) mengungkap bahwa curah hujan harian dan kecepatan angin maksimum merupakan kontributor utama dalam klasifikasi banjir. Model Long Short-Term Memory (LSTM) dilatih menggunakan data runtun waktu selama lima bulan dengan validasi walk-forward untuk prediksi temporal. Pada skenario pengujian terbaik (split ke-4), model menunjukkan accuracy sebesar 80,0%, precision sebesar 81,4%, dan recall sebesar 94,6%. Dengan demikian, pada periode curah hujan ekstrem, pola prediksi LSTM menunjukkan kesesuaian yang kuat dengan tren risiko banjir dari waktu ke waktu. Validasi spasial melalui QGIS menunjukkan bahwa area banjir yang diprediksi memiliki kesesuaian yang tinggi dengan zona rawan banjir historis di sepanjang Sungai Musi dan anak-anak sungainya. Penelitian ini menghadirkan sistem yang tangguh dan dapat diinterpretasikan untuk meningkatkan kapasitas sistem peringatan dini dalam manajemen banjir.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Prediksi Banjir, Analisis Spatiotemporal, Sentinel-1, Data Cuaca, XGBOOST, Long Short-Term Memory
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Telecommunication Engineering > Undergraduate Theses
Depositing User:	Pustaka Teknik Elektro
Date Deposited:	28 Aug 2025 00:36
Last Modified:	28 Aug 2025 00:36
URI:	http://eprints.polsri.ac.id/id/eprint/18884

Actions (login required)

View Item