Description

Berdasarkan data dari The World Risk Index tahun 2023, dari 193 negara, Indonesia menempati peringkat kedua negara paling beresiko bencana alam di dunia. Di satu dekade terakhir, tercatat sudah sebanyak 4.814 jumlah kejadian bencana, dengan 9.037.815 korban menderita dan puluhan ribu rumah serta fasilitas rusak. Provinsi Jawa Barat menjadi wilayah dengan kejadian banjir terbanyak kedua pada tahun 2023, mencatatkan 107 kejadian dari total 1.255 kejadian di Indonesia. Kabupaten Bandung, khususnya, memiliki jumlah kejadian banjir tertinggi kedua di Jawa Barat setelah Kota Bogor. Project website CaaIR ini sebagai solusi untuk memprediksi rendah/sedang/tinggi kerawanan bencana banjir di Kabupaten Bandung dengan performa model yang tinggi. CaaIR merupakan singkatan dari Cek Area cAah dan Informasi Rawannya. Caah sendiri merupakan bahasa Sunda dari Banjir. 

Project ini disusun dengan tahapan utama sebagai berikut

• Data Collecting, data dihimpun dari beberapa instansi yaitu data curah hujan BMKG Jawa Barat, data historis banjir dari BNPB dan data jenis tanah&penggunaan lahan dari BAPPEDA Kabupaten Bandung, 
• Data Preprocessing, data digabungkan dengan tool Arcgis dan dibersihkan di Google Colab. Pembersihan tersebut menghasilkan 681 baris data. Dalam tahapan ini juga dilakukan labelling dengan pembobotan score. Sehingga didapatkan 3 label kerawanan, yaitu rendah, sedang dan tinggi.
• EDA, data yang sudah bersih dieksplor untuk mendapatkan informasi dari analisis korelasi, visualisasi, dan pivot tabel. Korelasi antara variabel independen (Curah hujan, Penggunaan Lahan, dan Jenis Tanah) dengan variabel dependen (Kerawanan Banjir). Dari korelasi dengan chi-square dan Kruskal-Wallis didapatkan hasil jika variabel independen tersebut berpengaruh signifikan terhadap label kerawanan tanah. 

• Modelling dan Evaluation, Data yang sudah bersih, dibagi dengan perbandingan 70% untuk data train, dan 30% untuk data test. Dalam membangun model digunakan beberapa algoritma sebagai perbandingan dan mencari evaluasi yang terbaik. Melalui library pycaret, didapatkan model terbaik yaitu Random Forest. 

Selanjutnya model dituning, sehingga mendapatkan evaluasi terbaik. Parameter dari model terbaik digunakan untuk memprediksi data test. Dalam testing tersebut didapatkan evaluasi akurasi sebesar 99,51%. 

• Membagun backend, model terbaik kemudian disimpan dengan format ,pkl. Dalam backend ini data yang diambil dengan endpoint POST dipreprocessing, dengan mengubah label string menjadi numerik dan diprediksi dengan model pkl tersebut.
• Membangun frontend. Frontend yang dihubungkan dengan backend yang telah dibuat, bertujuan untuk membangun tampilan website yang menarik. Berikut beberapa fitur di website CaaIR

Halaman Home

Halaman Informasi

Halaman Prediksi Kerawanan Banjir. 

Dalam prediksi kerawanan banjir, user perlu menginputkan curah hujan tahunan, jenis tanah, penggunaan lahan di suatu lokasi. Setelah ditekan tombol predict, akan muncul output kategori kerawanan banjir dan probabilitas disetiap kelasnya.

Target market website ini yaitu untuk warga kabupaten bandung, orang yang ingin singgah atau pendatang di kabupaten bandung, juga instansi pemerintah yang perlu untuk mitigasi bencana. Target market tersebut akan dicapai dengan strategi digital marketing campaign melalui media sosial. Dalam penyusunan project ini, juga dibuat BMC dan Analisis SWOT guna pengembangan bisnis yang terencana, juga Analisis Kompetitif untuk mengetahui keunggulan product kami dibandingkan metode konvensional dan website serupa.

Pengembangan website ini , CaaIR, merupakan langkah awal untuk menciptakan solusi yang inovatif dan berkelanjutan untuk mitigasi bencana banjir yang sesuai dengan kebutuhan pengguna. Kami sangat terbuka terhadap kritik dan saran yang membangun untuk meningkatkan kualitas produk ini. Komentar dan masukan Anda akan sangat berharga bagi kami dalam melakukan perbaikan dan pengembangan lebih lanjut.

================================
Kode pemograman : https://github.com/DwiAmaliaPutri/CaaIR-Website-Prediksi-Kerawanan-Banjir