Sistem Prediksi Risiko Tanah Longsor Menggunakan Long Short-Term Memory (LSTM) Berbasis Kelembapan dan Kemiringan Tanah

Tanah longsor merupakan salah satu bencana hidrometeorologi paling mematikan di Indonesia. Sistem peringatan dini yang ada umumnya hanya mengandalkan satu parameter dan ambang batas statis sehingga tidak mampu menangkap pola temporal perubahan kondisi tanah yang mendahului kejadian longsor. Penelitian ini merancang sistem prediksi risiko tanah longsor skala laboratorium menggunakan model Long Short-Term Memory (LSTM) berbasis data multisensor kelembapan tanah (soil moisture) dan kemiringan lereng (gyroscope MPU6050) yang diakuisisi secara real-time melalui ESP32, sekaligus menentukan ukuran sliding window time-series yang optimal. Pengujian dilakukan melalui tiga tahap: akumulasi dataset bertahap dalam lima percobaan, optimasi sliding window dengan variasi window size 5, 10, 15, 20, dan 30 timestep, serta evaluasi model pada maket lereng skala laboratorium. Akurasi model meningkat dari 91% pada Percobaan 1 (2.294 sampel) menjadi 98,31% pada Percobaan 5 (7.404 sampel data sensor riil), dengan F1-Score kelas Siaga meningkat dari 0,34 menjadi 0,91 seiring integrasi data sensor riil. Konfigurasi window size 30 timestep dengan lead time 15 detik terbukti optimal dengan validation accuracy 94,63% dan validation loss 0,158396. Pada pengujian 40 sampel representatif, model mencapai recall 100% pada kelas Waspada dan Awas tanpa miss detection. Hasil ini membuktikan bahwa model LSTM dengan optimasi sliding window mampu memprediksi risiko tanah longsor secara akurat berbasis data multisensor dan berpotensi menjadi fondasi sistem peringatan dini longsor yang lebih adaptif.