Sistem Peringatan Dini Resiko Banjir Kota Medan
RINGKASAN WILAYAH

Kota Medan (Semua Wilayah)

Target Prediksi: —
Skor Rata-rata —
Skor Maksimum —
Zona Risiko —

Arahkan kursor ke batas wilayah kecamatan di peta untuk melihat detail statistik risiko.

Klasifikasi Zona Risiko
Sangat Rendah (0.00–0.20)
Rendah (0.20–0.40)
Sedang (0.40–0.60)
Tinggi (0.60–0.80)
Sangat Tinggi (0.80–1.00)

Keunggulan Teknologi Sistem

Kombinasi model deep learning arsitektur modern dan data penginderaan jauh untuk akurasi prediksi optimal.

AI Spatio-Temporal Hybrid V2C

Model neural network khusus yang mengekstrak fitur spasial (konvolusi) dan pola temporal dari runtutan 7 hari curah hujan untuk memproyeksikan potensi risiko relatif banjir.

Integrasi Satelit CHIRPS Otomatis

Pipa data terhubung ke Google Earth Engine dan server iklim untuk mengunduh citra satelit harian presisi tinggi secara teratur tanpa intervensi manual yang rumit.

Pemetaan Piksel Resolusi Tinggi

Proyeksi overlay peta interaktif Leaflet dengan batas wilayah 21 kecamatan Kota Medan, kontrol transparansi, serta popup analitik skor rata-rata per kecamatan.

Pelaporan & Ekspor Data Lengkap

Mendukung cetak laporan ringkasan berkala, unduhan format tabular CSV data per kecamatan, hingga file raster geospasial GeoTIFF skor dan zona risiko.

21 Kecamatan Terpantau di Kota Medan

Sistem memetakan seluruh wilayah administratif Kota Medan dari pesisir utara hingga dataran selatan secara menyeluruh.

1 Medan Amplas
2 Medan Area
3 Medan Barat
4 Medan Baru
5 Medan Belawan
6 Medan Deli
7 Medan Denai
8 Medan Helvetia
9 Medan Johor
10 Medan Kota
11 Medan Labuhan
12 Medan Maimun
13 Medan Marelan
14 Medan Perjuangan
15 Medan Petisah
16 Medan Polonia
17 Medan Selayang
18 Medan Sunggal
19 Medan Tembung
20 Medan Tuntungan
21 Medan Timur

Bagaimana Sistem Bekerja

Alur komputasi end-to-end dari data satelit mentah hingga publikasi informasi peringatan dini.

Langkah 01

Akuisisi Data Satelit

Pengambilan data raster curah hujan harian satelit CHIRPS untuk cakupan koordinat Kota Medan secara otomatis.

Langkah 02

Sliding Window 7 Hari

Penyusunan urutan waktu (time-series window) 7 hari ke belakang dan normalisasi matriks input tensor AI.

Langkah 03

Inferensi Model Hybrid V2C

Kalkulasi feed-forward inferensi deep learning untuk menghasilkan matriks skor risiko relatif kontinu 0–1.

Langkah 04

Zonasi & Visualisasi Spasial

Pengelompokan 5 kelas zona risiko, agregasi statistik 21 kecamatan, dan publikasi pada peta interaktif.