PENGEMBANGAN APLIKASI PENDETEKSI BANJIR MENGGUNAKAN DATA MINING DENGAN METODE LONG SHORT-TERM MEMORY (LSTM) DI DESA SUKARAMI KECAMATAN SUNGAI ROTAN

Riswadi, Amelia Ardhana (2026) PENGEMBANGAN APLIKASI PENDETEKSI BANJIR MENGGUNAKAN DATA MINING DENGAN METODE LONG SHORT-TERM MEMORY (LSTM) DI DESA SUKARAMI KECAMATAN SUNGAI ROTAN. Diploma thesis, Politeknik Negeri Sriwijaya.

	Text (COVER) COVER.pdf - Published Version Download (1MB)
Preview	Text (ABSTRAK) ABSTRAK.pdf - Published Version Download (126kB) | Preview
	Text (BAB I PENDAHULUAN) BAB I.pdf - Published Version Restricted to Repository staff only Download (201kB) | Request a copy
	Text (BAB II TINJAUAN PUSTAKA) BAB II.pdf - Published Version Restricted to Repository staff only Download (340kB) | Request a copy
	Text (BAB III METODOLOGI PENELITIAN) BAB III.pdf - Published Version Restricted to Repository staff only Download (607kB) | Request a copy
	Text (BAB IV HASIL DAN PEMBAHASAN) BAB IV.pdf - Published Version Restricted to Repository staff only Download (4MB) | Request a copy
	Text (BAB V KESIMPULAN DAN SARAN) BAB V.pdf - Published Version Restricted to Repository staff only Download (150kB) | Request a copy
	Text (DAFTAR PUSTAKA) DAFTAR PUSTAKA.pdf - Published Version Restricted to Repository staff only Download (145kB) | Request a copy
	Text (LAMPIRAN) LAMPIRAN.pdf - Published Version Restricted to Repository staff only Download (5MB) | Request a copy

Abstract

Banjir merupakan salah satu bencana alam yang sering terjadi di Indonesia dan dapat menimbulkan kerugian bagi masyarakat. Salah satu kendala dalam penanganan banjir adalah belum tersedianya sistem yang mampu memberikan informasi kondisi banjir secara cepat dan akurat. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan Sistem Informasi Pendeteksi Banjir (SIABAN) berbasis website yang mampu mengklasifikasikan kondisi banjir ke dalam kategori Aman, Siaga, dan Bahaya menggunakan metode Long Short-Term Memory (LSTM) dengan arsitektur Bidirectional Long Short-Term Memory (BiLSTM) serta pendekatan Ordinal Classification. Pengembangan sistem dilakukan menggunakan metode Extreme Programming (XP). Aplikasi dibangun menggunakan framework Laravel, sedangkan model prediksi dikembangkan menggunakan Python dan diintegrasikan melalui FastAPI. Sebelum proses pelatihan model, data historis sensor IoT melalui tahapan preprocessing yang meliputi data cleaning, normalisasi menggunakan Min-Max Scaling, feature engineering, pembentukan data sekuens menggunakan sliding window, serta pembagian data menggunakan Strict Temporal Split untuk mencegah data leakage. Evaluasi model dilakukan menggunakan Classification Report, Confusion Matrix, Safety Audit, dan Robustness Test. Hasil penelitian menunjukkan bahwa model memperoleh accuracy sebesar 61% dengan kemampuan yang cukup baik dalam mengenali kelas Aman dan Bahaya, meskipun masih mengalami kesulitan dalam mengklasifikasikan kelas Siaga akibat ketidakseimbangan distribusi data (class imbalance). Hasil Safety Audit dan Robustness Test menunjukkan bahwa model masih mampu mendeteksi sebagian besar kondisi Bahaya meskipun data diberikan gangguan (noise). Penerapan Threshold Engineering dengan mekanisme hysteresis threshold juga menghasilkan perubahan status banjir yang lebih stabil sehingga mampu mengurangi perubahan status akibat fluktuasi data sensor. Berdasarkan hasil penelitian, SIABAN berhasil diimplementasikan sebagai sistem pendeteksi banjir berbasis website yang mampu menyajikan informasi kondisi banjir secara lebih cepat dan mendukung upaya mitigasi bencana di Desa Sukarami.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Long Short-Term Memory (LSTM), Bidirectional Long Short-Term Memory (BiLSTM), Ordinal Classification, Internet of Things (IoT), Sistem Pendeteksi Banjir. Website.
Subjects:	T Technology > T Technology (General)
Divisions:	Informatics Management > Undergraduate Theses
Depositing User:	Pustaka Manajemen Informatika
Date Deposited:	27 Jul 2026 07:11
Last Modified:	27 Jul 2026 07:11
URI:	http://eprints.polsri.ac.id/id/eprint/23517

Actions (login required)

View Item