Web Development & AI
Completed
October 2026
RiskFlood
Sistem peringatan dini risiko banjir Kota Medan berbasis deep learning spatio-temporal (ConvLSTM + Transformer) dan data satelit presipitasi harian CHIRPS v3, lengkap dengan peta interaktif interaktif 21 kecamatan.
RiskFlood.view
LIVE
Ringkasan Proyek
Latar belakang dan cakupan sistem
Proyek ini adalah platform pemetaan dan prediksi dini risiko banjir perkotaan (urban flood early warning system) yang dibangun khusus untuk wilayah Kota Medan. Sistem ini menggabungkan kecerdasan buatan (deep learning) dengan data geospasial penginderaan jauh untuk memperkirakan potensi banjir satu hari ke depan ($T+1$) di seluruh 21 kecamatan.
Tidak sekadar menampilkan prakiraan cuaca biasa, aplikasi ini memproses tensor data multidimensi yang memadukan kondisi fisik lingkungan (seperti elevasi DEMNAS, kemiringan lereng, jarak ke sungai utama, dan tutupan lahan) dengan dinamika curah hujan 7 hari terakhir dari satelit CHIRPS v3. Seluruh alur kerja dirancang end-to-end—mulai dari ingestion data satelit otomatis, mesin inferensi AI berbasis Python FastAPI, hingga portal web geospasial berbasis PHP Native & Leaflet.js yang mudah diakses oleh publik maupun instansi penanggulangan bencana.
Tidak sekadar menampilkan prakiraan cuaca biasa, aplikasi ini memproses tensor data multidimensi yang memadukan kondisi fisik lingkungan (seperti elevasi DEMNAS, kemiringan lereng, jarak ke sungai utama, dan tutupan lahan) dengan dinamika curah hujan 7 hari terakhir dari satelit CHIRPS v3. Seluruh alur kerja dirancang end-to-end—mulai dari ingestion data satelit otomatis, mesin inferensi AI berbasis Python FastAPI, hingga portal web geospasial berbasis PHP Native & Leaflet.js yang mudah diakses oleh publik maupun instansi penanggulangan bencana.
Latar Belakang & Kebutuhan
Kendala operasional dan kebutuhan spesifikasi sistem
Mitigasi banjir di wilayah perkotaan seperti Kota Medan selama ini menghadapi beberapa kendala teknis nyata:
Sensor Terbatas dan Bersifat Reaktif: Pemantauan konvensional sangat bergantung pada stasiun penakar hujan titik (point-based) yang jumlahnya terbatas atau sensor ketinggian air di sungai yang baru memberi peringatan saat genangan air sudah mulai naik.
Kompleksitas Faktor Pemicu Banjir: Banjir tidak hanya dipicu oleh hujan lokal sesaat, melainkan akumulasi limpasan air, karakteristik drainase/sungai, topografi cekungan, dan kepadatan bangunan kedap air yang saling berinteraksi secara spasial maupun temporal.
Tingkat Ketimpangan Data yang Ekstrem (Extreme Class Imbalance): Kejadian banjir historis di level piksel hanya berkisar < 0.3% dari total area daratan kota, membuat model prediksi standar sering kali gagal mendeteksi area berisiko tinggi (false negatives).
Gap Aksesibilitas Data: Hasil analisis hidrologi sering kali berhenti di laporan teknis yang sulit dipahami masyarakat awam atau terlambat diakses oleh petugas lapangan.
Sensor Terbatas dan Bersifat Reaktif: Pemantauan konvensional sangat bergantung pada stasiun penakar hujan titik (point-based) yang jumlahnya terbatas atau sensor ketinggian air di sungai yang baru memberi peringatan saat genangan air sudah mulai naik.
Kompleksitas Faktor Pemicu Banjir: Banjir tidak hanya dipicu oleh hujan lokal sesaat, melainkan akumulasi limpasan air, karakteristik drainase/sungai, topografi cekungan, dan kepadatan bangunan kedap air yang saling berinteraksi secara spasial maupun temporal.
Tingkat Ketimpangan Data yang Ekstrem (Extreme Class Imbalance): Kejadian banjir historis di level piksel hanya berkisar < 0.3% dari total area daratan kota, membuat model prediksi standar sering kali gagal mendeteksi area berisiko tinggi (false negatives).
Gap Aksesibilitas Data: Hasil analisis hidrologi sering kali berhenti di laporan teknis yang sulit dipahami masyarakat awam atau terlambat diakses oleh petugas lapangan.
Solusi & Desain Sistem
Pendekatan arsitektur dan struktur logika sistem
Mengatasi tantangan tersebut, sistem dirancang dengan pendekatan arsitektur dual-tier microservice yang memisahkan beban komputasi analitik AI dengan penyajian antarmuka web:
Inference Service (FastAPI / Python 3.11): Bertindak sebagai worker engine yang memuat model deep learning beku (frozen model) Hybrid V2C. Layanan ini memproses pipeline data spasial, melakukan normalisasi Z-score, menjalankan kalkulasi inferensi, dan menghasilkan output berupa raster GeoTIFF skor risiko kontinu, zona risiko 5 tingkat, serta peta overlay PNG transparan.
Web Portal & API Gateway (PHP 8.2 Native MVC & MySQL): Menangani logika bisnis, manajemen pengguna dan role admin, validasi unggahan data raster CHIRPS, penjadwalan pembaruan otomatis (cron pipeline), proteksi keamanan (CSRF & Rate Limiting), serta pencatatan audit aktivitas sistem.
Peta Interaktif Geospasial (Vanilla JS & Leaflet.js): Menampilkan visualisasi heatmap risiko banjir layar penuh di atas OpenStreetMap, dilengkapi batas wilayah 21 kecamatan Kota Medan, kartu HUD ringkasan kota, dan fitur prediksi publik instan satu klik.
Inference Service (FastAPI / Python 3.11): Bertindak sebagai worker engine yang memuat model deep learning beku (frozen model) Hybrid V2C. Layanan ini memproses pipeline data spasial, melakukan normalisasi Z-score, menjalankan kalkulasi inferensi, dan menghasilkan output berupa raster GeoTIFF skor risiko kontinu, zona risiko 5 tingkat, serta peta overlay PNG transparan.
Web Portal & API Gateway (PHP 8.2 Native MVC & MySQL): Menangani logika bisnis, manajemen pengguna dan role admin, validasi unggahan data raster CHIRPS, penjadwalan pembaruan otomatis (cron pipeline), proteksi keamanan (CSRF & Rate Limiting), serta pencatatan audit aktivitas sistem.
Peta Interaktif Geospasial (Vanilla JS & Leaflet.js): Menampilkan visualisasi heatmap risiko banjir layar penuh di atas OpenStreetMap, dilengkapi batas wilayah 21 kecamatan Kota Medan, kartu HUD ringkasan kota, dan fitur prediksi publik instan satu klik.
Pendekatan Teknis & Pemilihan Teknologi
Alasan pemilihan teknologi dan alur proses data
Beberapa pola arsitektur, algoritma, dan rekayasa data yang diterapkan:
Arsitektur Model AI Spatio-Temporal (Hybrid V2C): Mengombinasikan ConvLSTM2D (untuk menangkap pola limpasan spasial lokal secara berulang) dan Multi-Head Temporal Self-Attention Transformer (untuk menangkap dependensi tren hujan temporal jangka panjang) dengan mekanisme skip-fusion (total 171.697 parameter).
Multichannel Spatio-Temporal Tensor: Input model menerima matriks berdimensi $(B, T=7, H=64, W=64, C=7)$ yang terdiri dari:
6 kanal geomorfologi statis: Elevasi DEMNAS, Kemiringan Lereng (Slope), Akumulasi Limpasan (Flow Accumulation), Jarak ke Sungai Utama, Kepadatan Bangunan, dan Tutupan Lahan ESA WorldCover.
1 kanal hidrometeorologi dinamis: Runtun waktu 7 hari presipitasi satelit CHIRPS v3.
Penanganan Ketimpangan Kelas & Evaluasi: Dilatih dan diuji menggunakan evaluasi metrik kurva presisi-revolusi (PR-AUC) dan ROC-AUC independen untuk memastikan keandalan prediksi pada prevalensi kejadian langka.
Agregasi Grid Geospasial Real-Time: Menggunakan mask koordinat UTM Zone 47N (EPSG:32647) dengan 24.372 piksel aktif untuk menghitung statistik rata-rata skor, skor puncak, dan kategori risiko per kecamatan secara otomatis.
Keamanan & Skalabilitas Layanan: Dilengkapi mekanisme in-memory / file caching pada hasil inferensi, proteksi serangan DoS melalui IP-based rate limiting pada endpoint prediksi AI, dan struktur modular MVC tanpa framework bloat.
Arsitektur Model AI Spatio-Temporal (Hybrid V2C): Mengombinasikan ConvLSTM2D (untuk menangkap pola limpasan spasial lokal secara berulang) dan Multi-Head Temporal Self-Attention Transformer (untuk menangkap dependensi tren hujan temporal jangka panjang) dengan mekanisme skip-fusion (total 171.697 parameter).
Multichannel Spatio-Temporal Tensor: Input model menerima matriks berdimensi $(B, T=7, H=64, W=64, C=7)$ yang terdiri dari:
6 kanal geomorfologi statis: Elevasi DEMNAS, Kemiringan Lereng (Slope), Akumulasi Limpasan (Flow Accumulation), Jarak ke Sungai Utama, Kepadatan Bangunan, dan Tutupan Lahan ESA WorldCover.
1 kanal hidrometeorologi dinamis: Runtun waktu 7 hari presipitasi satelit CHIRPS v3.
Penanganan Ketimpangan Kelas & Evaluasi: Dilatih dan diuji menggunakan evaluasi metrik kurva presisi-revolusi (PR-AUC) dan ROC-AUC independen untuk memastikan keandalan prediksi pada prevalensi kejadian langka.
Agregasi Grid Geospasial Real-Time: Menggunakan mask koordinat UTM Zone 47N (EPSG:32647) dengan 24.372 piksel aktif untuk menghitung statistik rata-rata skor, skor puncak, dan kategori risiko per kecamatan secara otomatis.
Keamanan & Skalabilitas Layanan: Dilengkapi mekanisme in-memory / file caching pada hasil inferensi, proteksi serangan DoS melalui IP-based rate limiting pada endpoint prediksi AI, dan struktur modular MVC tanpa framework bloat.
Peran & Tanggung Jawab
Tanggung jawab langsung dalam pengembangan modul
Peran utama saya dalam proyek ini mencakup:
Merancang arsitektur sistem dual-tier, menghubungkan backend PHP dengan mesin inferensi Python via REST API secara asinkron dan efisien.
Mengembangkan layanan inferensi FastAPI untuk mengotomatisasi pemrosesan tensor geospasial, konversi raster GeoTIFF, dan agregasi data statistik 21 kecamatan.
Membangun seluruh antarmuka web (Landing Page, HUD Monitor, dan Dashboard Admin) menggunakan arsitektur MVC PHP Native, database MySQL, dan visualisasi peta interaktif Leaflet.js.
Mengimplementasikan sistem otomatisasi data harian (daily automated ingestion pipeline) untuk mengunduh, memvalidasi, dan menginterpolasi data raster hujan satelit.
Mengamankan aplikasi dengan fitur CSRF token, pembatasan kuota request inferensi (rate limiting), proteksi sesi, dan audit log komprehensif.
Merancang arsitektur sistem dual-tier, menghubungkan backend PHP dengan mesin inferensi Python via REST API secara asinkron dan efisien.
Mengembangkan layanan inferensi FastAPI untuk mengotomatisasi pemrosesan tensor geospasial, konversi raster GeoTIFF, dan agregasi data statistik 21 kecamatan.
Membangun seluruh antarmuka web (Landing Page, HUD Monitor, dan Dashboard Admin) menggunakan arsitektur MVC PHP Native, database MySQL, dan visualisasi peta interaktif Leaflet.js.
Mengimplementasikan sistem otomatisasi data harian (daily automated ingestion pipeline) untuk mengunduh, memvalidasi, dan menginterpolasi data raster hujan satelit.
Mengamankan aplikasi dengan fitur CSRF token, pembatasan kuota request inferensi (rate limiting), proteksi sesi, dan audit log komprehensif.
Hasil & Dampak Proyek
Pencapaian fungsional dan pengujian hasil implementasi
Akurasi Model Tinggi: Model Hybrid V2C berhasil mencetak skor TEST ROC-AUC 0.9456 dan TEST PR-AUC 0.0348 pada dataset uji independen, membuktikan performa deteksi lebih dari 12x lipat lebih efektif dibanding tebakan acak pada dataset berketimpangan ekstrem.
Prediksi Spasial Resolusi Lokal: Mampu memetakan estimasi risiko banjir hingga resolusi grid detail yang mencakup seluruh 21 kecamatan di Kota Medan.
Inferensi Cepat & Ringan: Waktu inferensi model hanya membutuhkan hitungan detik per komputasi seluruh kota, memungkinkan peringatan dini dipublikasikan secara instan sebelum hari kejadian ($T+1$).
Kesiapan Operasional Lapangan: Menyediakan alat bantu pengambilan keputusan (decision support tool) yang siap pakai, transparan, dan dapat diunduh dalam format GeoTIFF GIS maupun CSV tabular untuk analisis lanjutan BPBD atau tim riset.
Prediksi Spasial Resolusi Lokal: Mampu memetakan estimasi risiko banjir hingga resolusi grid detail yang mencakup seluruh 21 kecamatan di Kota Medan.
Inferensi Cepat & Ringan: Waktu inferensi model hanya membutuhkan hitungan detik per komputasi seluruh kota, memungkinkan peringatan dini dipublikasikan secara instan sebelum hari kejadian ($T+1$).
Kesiapan Operasional Lapangan: Menyediakan alat bantu pengambilan keputusan (decision support tool) yang siap pakai, transparan, dan dapat diunduh dalam format GeoTIFF GIS maupun CSV tabular untuk analisis lanjutan BPBD atau tim riset.