Perpustakaan Digital ITB

Banjir merupakan salah satu bencana hidrometeorologi yang paling sering terjadi di Indonesia dan memberikan dampak signifikan terhadap kehidupan sosial, ekonomi, serta infrastruktur, terutama di wilayah metropolitan seperti Jakarta. Tingginya intensitas curah hujan, perubahan tata guna lahan, serta pengaruh pasang air laut menyebabkan peningkatan risiko banjir yang memerlukan sistem peringatan dini yang akurat dan adaptif. Model deep learning berbasis Long Short-Term Memory (LSTM) telah banyak digunakan dalam prediksi deret waktu hidrologi karena kemampuannya dalam mempelajari ketergantungan jangka panjang. Namun, model LSTM masih memiliki keterbatasan dalam mengidentifikasi informasi temporal yang paling relevan terhadap perubahan tinggi muka air. Penelitian ini mengusulkan integrasi Attention Mechanism ke dalam arsitektur LSTM (LSTM-Attention) untuk meningkatkan akurasi prediksi Tinggi Muka Air (TMA) serta mendukung sistem mitigasi banjir yang lebih komprehensif. Metodologi penelitian mengikuti kerangka Cross Industry Standard Process for Data Mining (CRISP-DM) yang meliputi pemahaman bisnis, eksplorasi data, pra-pemrosesan, pemodelan, evaluasi, dan implementasi. Data yang digunakan berupa deret waktu tinggi muka air yang diperkaya dengan variabel meteorologi, yaitu curah hujan, suhu, kelembapan, tekanan udara, dan kecepatan angin. Tahap pra-pemrosesan mencakup pembersihan data, penanganan nilai hilang, normalisasi, dan transformasi data ke dalam format supervised time-series. Kinerja model dievaluasi menggunakan metrik Mean Absolute Error (MAE), Root Mean Square Error (RMSE), dan Symmetric Mean Absolute Percentage Error (sMAPE). Hasil penelitian menunjukkan bahwa model LSTM-Attention mampu meningkatkan performa prediksi dibandingkan model LSTM standar. Model terbaik menghasilkan nilai MAE sebesar 0,0112, RMSE sebesar 0,0340, dan sMAPE sebesar 7,8491%, yang menunjukkan tingkat akurasi prediksi sebesar 92,15%. Mekanisme attention terbukti mampu memberikan bobot yang lebih besar pada informasi temporal yang relevan sehingga menghasilkan prediksi yang lebih akurat dan stabil. Selain modul prediksi, penelitian ini mengembangkan sistem rekomendasi titik evakuasi menggunakan algoritma Fuzzy Dijkstra yang memodelkan bobot ruas jalan menggunakan trapezoidal fuzzy number dan mengonversinya menjadi nilai crisp untuk menentukan jalur terpendek menuju lokasi aman. Integrasi kedua modul menghasilkan sistem mitigasi banjir terintegrasi yang tidak hanya mampu memprediksi tinggi muka air secara akurat, tetapi juga menyediakan rekomendasi titik dan rute evakuasi adaptif berbasis risiko guna mendukung pengambilan keputusan dalam penanggulangan bencana banjir.