Sistem Sliding Window Time Series pada LSTM untuk Prediksi Risiko Banjir Berbasis Sensor Curah Hujan dan Tinggi Muka Air

Banjir merupakan bencana hidrometeorologi yang sering terjadi dan berdampak signifikan terhadap kehidupan masyarakat, sehingga diperlukan sistem peringatan dini yang cepat dan akurat. Penelitian ini mengembangkan sistem prediksi risiko banjir real-time berbasis sensor menggunakan metode Long Short-Term Memory (LSTM) dengan optimasi konfigurasi sliding window. Sistem mengintegrasikan sensor tipping bucket rain gauge untuk curah hujan dan sensor ultrasonik JSN-SR04T untuk ketinggian air, yang dikirim secara periodik melalui ESP32. Data diproses melalui normalisasi Min-Max Scaler dan pembentukan sekuens sliding window, kemudian dilabeli ke dalam tiga kelas risiko (Aman, Siaga 2, Siaga 1) menggunakan logika ambang batas kombinasi curah hujan dan ketinggian air. Arsitektur model berupa Vanilla LSTM satu lapisan dengan 64 unit, dipilih agar ringan dan sesuai untuk Edge System. Optimasi window size melalui grid search pada lima kandidat {5, 10, 15, 20, 30} timestep dengan lead time konstan 15 timestep menghasilkan window size 20 timestep sebagai konfigurasi optimal berdasarkan validation loss terendah (0,3243). Pengujian volume dataset pada empat skenario menunjukkan peningkatan akurasi 72% (1.464 data) hingga 87% (5.859 data). Pengujian real-time menggunakan 504 data prediksi menghasilkan akurasi 89,3%, dengan performa terbaik pada kelas Siaga 1 (precision 99,7%, recall 98,7%) dan Siaga 2 (recall 99,3%), sementara kelas Aman menunjukkan keterbatasan akibat efek transisi pada window awal. Kebaruan penelitian ini terletak pada optimasi sliding window pada arsitektur LSTM ringan berbasis dua sensor hidrometeorologi yang diimplementasikan secara real-time pada Edge System untuk mendukung sistem peringatan dini banjir yang akurat dan efisien.