Implementasi Sistem Deteksi Dini Banjir dan Tanah Longsor Berbasis Edge Computing

Bencana banjir dan tanah longsor merupakan ancaman serius yang memerlukan sistem mitigasi responsif dan akurat. Penelitian ini merancang dan mengimplementasikan sistem peringatan dini bencana terintegrasi berbasis Internet of Things (IoT) dan Deep Learning yang dioptimalkan untuk pengawasan real-time. Sistem ini memanfaatkan mikrokontroler ESP32 untuk pengumpulan data sensor dan edge computing Jetson Nano untuk inferensi model Long Short-Term Memory (LSTM). Komunikasi data antar perangkat dilakukan menggunakan protokol MQTT dengan tingkat packet loss rata-rata sebesar 3,19%. Selain itu, sistem dilengkapi dengan dashboard web berbasis Flask untuk visualisasi data, notifikasi otomatis melalui Telegram Bot, serta fitur data logging terpusat untuk keperluan audit dan evaluasi. Hasil pengujian menunjukkan tingkat akurasi model mencapai 81,1% untuk deteksi banjir dan 99,2% untuk deteksi longsor, dengan latensi komunikasi end-to-end 974,99 ms untuk node banjir dan 939,47 ms untuk node longsor. Fitur lead time yang dikombinasikan dengan mekanisme locking data berhasil menyediakan jeda waktu evakuasi yang adaptif (227 detik untuk banjir dan 3 detik untuk longsor) tanpa adanya redudansi notifikasi. Melalui integrasi antara protokol MQTT yang stabil, visualisasi dashboard, notifikasi Telegram, dan sistem logging yang komprehensif, penelitian ini berhasil menciptakan infrastruktur peringatan dini yang tidak hanya responsif terhadap perubahan kondisi lapangan, tetapi juga memberikan transparansi data yang esensial bagi pemangku kepentingan dalam pengambilan keputusan darurat.