ABSTRAK

Achmad Arief Rahmatullah. Sistem Prediksi Banjir Berbasis Image Classification Menggunakan Convolutional Neural Network (CNN) (dibimbing oleh First Wanita dan Muhammad Rizal H.)

Banjir merupakan salah satu bencana alam yang paling sering terjadi di Indonesia dan menimbulkan kerugian besar bagi masyarakat. Metode tradisional dalam prediksi banjir masih memiliki keterbatasan dalam memanfaatkan data visual secara optimal, sehingga diperlukan pendekatan berbasis kecerdasan buatan untuk meningkatkan akurasi prediksi. Penelitian ini bertujuan untuk mengembangkan sistem prediksi banjir berbasis image classification menggunakan Convolutional Neural Network (CNN) dengan arsitektur VGG19. Data penelitian diperoleh melalui studi pustaka dan berupa 3000 citra kondisi “banjir” dan “tidak banjir” yang diperoleh dari platform Kaggle, kemudian dibagi menjadi data latih, validasi, dan uji. Proses preprocessing mencakup resizing gambar menjadi 224×224 piksel, normalisasi piksel ke rentang 0–1, serta data augmentation untuk meningkatkan variasi data. Metode analisis data menggunakan transfer learning pada model VGG19 yang telah pretrained di ImageNet, dengan dua tahap yaitu training head only dan fine-tuning. Evaluasi model dilakukan dengan metrik accuracy, precision, recall, f1-score, dan AUC. Hasil penelitian menunjukkan bahwa model VGG19 mampu mencapai akurasi 99,67%, precision 99,34%, recall 100% untuk kelas banjir, dan AUC sebesar 100%. Hasil ini membuktikan bahwa arsitektur VGG19 sangat efektif dalam klasifikasi citra banjir dan dapat menjadi dasar pengembangan sistem peringatan dini bencana yang berbasis citra digital.

Kata kunci: Banjir, CNN, VGG19, Klasifikasi Gambar, Prediksi