BINATRA: Sistem Informasi Terintegrasi Berbasis IoT dan LSTM untuk Mitigasi Banjir
Abstrak
Abstrak—Banjir merupakan bencana yang kerap melanda Kota Surabaya karena posisinya berada di hilir Sungai Brantas yang bermuara ke Selat Madura, sehingga masih terdapat sekitar 117 titik rawan banjir. Sistem pemantauan manual yang selama ini digunakan memiliki keterbatasan dalam kecepatan dan akurasi penyampaian informasi, sehingga dapat menghambat proses pengambilan keputusan. Penelitian ini bertujuan merancang dan mengembangkan sistem peringatan dini banjir berbasis Internet of Things (IoT) yang mampu memantau ketinggian muka air secara real-time serta memprediksi potensi banjir menggunakan algoritma Long Short-Term Memory (LSTM). Sistem yang dibangun memanfaatkan sensor ultrasonik untuk pengukuran ketinggian air dan Application Programming Interface (API) dari OpenWeather sebagai sumber data curah hujan. Data kemudian diintegrasikan pada platform perangkat lunak berupa website dashboard dan model prediksi LSTM. Pengujian dilakukan menggunakan data hasil pengambilan selama 20 hari, menghasilkan 1.794 sampel dengan interval 15 menit dan 2.784 sampel dengan interval 1 menit. Hasil evaluasi menunjukkan bahwa LSTM memiliki performa prediksi yang lebih baik untuk forecasting 1 jam kedepan terhadap interval
15 menit sesuai dengan standar hidrologi dibandingkan Convolutional Neural Network (CNN), dengan nilai RMSE masing-masing 9,389 dan 9,465. Analisis pada berbagai forecasting horizon juga menunjukkan bahwa LSTM tetap stabil dan akurat dalam memprediksi ketinggian muka air untuk jangka waktu 1 hingga 24 jam kedepan. Temuan ini membuktikan bahwa LSTM merupakan algoritma yang lebih unggul untuk diterapkan pada sistem peringatan dini banjir berbasis IoT di lingkungan urban.
Kata kunci—Banjir, FEWS, LSTM, IoT
Referensi
REFERENSI
Dinas Sumber Daya Air dan Bina Marga Kota Surabaya,Laporan Kinerja Tahunan 2024: Pemeliharaan dan Pengawasan Saluran Drainase Kota Surabaya, Surabaya, 2024. [Online]. Available: https://sda.surabaya.go.id
Pemerintah Kota Surabaya, “Peta zonasi rawan genangan dan drainase Kota Surabaya,” 2023. [Online]. Available: https://surabaya.go.id/peta-genangan
A. Wijayanto, A. Sugiharto, and R. Santoso, “Identifikasi dini curah hujan berpotensi banjir menggunakan algoritma LSTM dan isolation forest,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 11, pp. 637–646, Jul. 2024, doi: 10.25126/jtiik.938718.
R. I. Buchori, R. Rudiana, and Y. Nuryanto, “Good environmental governance dalam penanggulangan banjir di Kota Surabaya tahun 2024,” Jurnal Ilmu Sosial dan Ilmu Politik (JISIP), vol. 14, no. 3, pp. 542–564, 2025, doi: 10.33366/jisip.v14i3.3630.
M. A. Kamali and M. N. P. Ma’ady, “IoT-based flood disaster early detection system using hybrid fuzzy logic and neural networks,” TELKOMNIKA, vol. 22, pp. 976–984, Aug. 2024, doi: 10.12928/TELKOMNIKA.v22i4.25868.
Badan Meteorologi dan Geofisika, Peraturan Kepala BMG: Tata Cara Tetap Pelaksanaan Pengamatan dan Pelaporan Data Iklim dan Agroklimat, Jakarta: BMG, 2006.
S. N. Arinze et al., “Real-time IoT-enabled flood risk prediction and adaptive water redistribution with machine learning: A case study of Nigeria,” Modelling and Simulation in Engineering, vol. 2025, 2025, doi: 10.1155/mse/4694316.
M. Wajid et al., “Flood prediction system using IoT artificial neural network,” VFAST Transactions on Software Engineering, vol. 12, pp. 210–224, Mar. 2024, doi: 10.21015/vtse.v12i1.1603.
A. R. A. Alkharabsheh and L. M. Momani, “AI-driven flood prediction, monitoring, and warning systems: Design, evaluation, and simulation,” Iraqi Journal for Computer Science and Mathematics, vol. 6, Dec. 2025, doi: 10.52866/2788-7421.1337.
H. R. C. Arante et al., “Development of a secured IoT-based flood monitoring and forecasting system using genetic-algorithm-based neuro-fuzzy network,” Sensors, vol. 25, Jul. 2025, doi: 10.3390/s25133885.
Z. Jailani and N. D. Jailani, “Hybrid machine learning prediksi banjir menggunakan LSTM dan random forests pada geodata,” INTECOMS: Journal of Information Technology and Computer Science, vol. 8, 2025.
H. N. P. Wisudawan, Design and Implementation of Real-Time Flood Early Warning System, Tech. Rep., Universitas Islam Indonesia, 2021.
R. Byali et al., “IoT based early flood detection using machine learning,” International Journal of Research Publication and Reviews, pp. 3780–3783, Jul. 2022, doi: 10.55248/gengpi.2022.3.7.30.
Adinugroho, “Perbandingan rasio split data training dan data testing menggunakan metode LSTM dalam memprediksi harga indeks saham Asia,” Tech. Rep., Universitas Islam Negeri Syarif Hidayatullah Jakarta, Oct. 2022.
