Skripsi
MANAJEMEN MONITORING POTENSI BANJIR DI KOTA PALEMBANG MENGGUNAKAN GEOAI DENGAN METODE CONVOLUTION NEURAL NETWORK (CNN)
Penelitian ini dilatarbelakangi oleh permasalahan banjir yang terus berulang di Kota Palembang akibat tingginya curah hujan, kondisi topografi dataran rendah, serta akumulasi sampah pada Daerah Aliran Sungai (DAS). Sistem monitoring banjir yang ada masih belum optimal karena bersifat manual, tidak terintegrasi, dan belum mampu memberikan informasi secara cepat dan akurat. Penelitian ini bertujuan untuk mengembangkan model manajemen monitoring potensi banjir berbasis Geospatial Artificial Intelligence (GeoAI) dengan metode Convolutional Neural Network (CNN) serta menganalisis kinerja model dalam mengklasifikasikan potensi banjir. Metode yang digunakan adalah pendekatan kuantitatif dengan analisis data geospasial menggunakan data curah hujan dari citra CHIRPS dan data akumulasi sampah dari citra Sentinel-2 melalui Google Earth Engine (GEE) periode 2019–2025. Tahapan penelitian meliputi pengumpulan data, prapemrosesan, augmentasi berbasis grid spasial-temporal, serta pembagian dataset 80% pelatihan dan 20% pengujian. Model Two-Dimensional Convolutional Neural Network (2D-CNN) digunakan untuk mempelajari hubungan spasial antar variabel dengan evaluasi menggunakan confusion matrix, akurasi, precision, recall, F1-score, ROC–AUC, dan K-Fold Cross Validation. Hasil penelitian menunjukkan bahwa model CNN mampu mengklasifikasikan potensi banjir dengan akurasi 73%, F1-score 0,73, dan AUC 0,742, serta menghasilkan peta sebaran wilayah banjir dan tidak banjir yang menunjukkan keterkaitan antara curah hujan dan akumulasi sampah. Kesimpulan penelitian ini menunjukkan bahwa integrasi GeoAI dan CNN efektif dalam mendukung sistem monitoring potensi banjir berbasis spasial dan dapat digunakan sebagai dasar pengambilan keputusan dalam mitigasi dan perencanaan penanggulangan banjir.