Enhancing Flood Prediction Accuracy Using Neural Networks and Risk Classification Approaches 

Global climate change has intensified the frequency of extreme weather events, including heavy rainfall and tropical storms, which often lead to large-scale flooding. Floods are among the most destructive natural disasters, causing not only significant economic losses but also substantial threats to human lives. Effective flood forecasting and early warning systems are essential to provide timely information for disaster mitigation and preparedness. 

However, traditional prediction methods, based on physical and empirical models, face limitations in addressing the complex interactions of meteorological, hydrological, and topographical factors, as well as the rapid dynamics of river flows. To overcome these challenges, artificial intelligence (AI) technologies—particularly deep learning and machine learning—have been increasingly adopted, offering improved accuracy and adaptability for flood water level prediction and risk assessment. Flood water level prediction was conducted using rainfall data and water stage observations collected from monitoring stations. Deep learning models, including Deep Neural Networks (DNN) and Long Short-Term Memory (LSTM), were applied to capture temporal patterns and predict flood water level variations. For flood risk classification, machine learning algorithms such as Random Forest, Decision Tree, and Extreme Gradient Boosting (XGBoost) were employed to categorize flood severity into different risk levels. The dataset was divided into training and validation subsets using k-fold cross-validation to prevent overfitting and ensure generalizability. Model performance was evaluated through correlation coefficients, normalized root mean square error (NRMSE), confusion matrices, and F1-scores, providing a comprehensive assessment of prediction accuracy and classification reliability.
The findings indicate that DNN achieved the highest predictive accuracy in forecasting flood water level trends and peak stages, with a correlation coefficient of 0.92 and an NRMSE of 9.48%. LSTM also demonstrated satisfactory performance, but its accuracy was slightly lower compared to DNN. In terms of risk classification, XGBoost outperformed the other models, achieving an F1-score of 0.92, surpassing Random Forest (0.73) and Decision Tree (0.67). These results highlight the superiority of ensemble boosting techniques in producing stable and precise classifications. Moreover, the outcomes align with previous studies emphasizing the effectiveness of AI-driven models in capturing the nonlinear and dynamic nature of hydrological systems, which conventional physical and empirical approaches struggle to replicate. Importantly, AI-based models also allow continuous parameter updates with real-time data, making them more adaptive to climate variability and unpredictable rainfall patterns.
The application of AI models significantly enhances the accuracy of flood water level prediction and risk classification. DNN demonstrated the best performance in predicting flood stage dynamics, while XGBoost showed superior capability in risk level classification. Integrating these models offers a more reliable framework for flood early warning systems. With real-time monitoring of rainfall and water stage data, such systems can provide actionable insights for authorities and communities, enabling faster response strategies, reducing economic losses, and safeguarding human lives more effectively.

Optimalisasi Prediksi Banjir dengan Model Jaringan Saraf Tiruan dan Klasifikasi Risiko

Perubahan iklim global telah meningkatkan frekuensi kejadian cuaca ekstrem, termasuk hujan lebat dan badai tropis, yang memicu banjir dengan dampak kerusakan besar. Banjir menjadi salah satu bencana paling merugikan karena tidak hanya menimbulkan korban jiwa tetapi juga kerugian ekonomi yang signifikan. Sistem prediksi dan peringatan banjir yang efektif sangat dibutuhkan untuk memberikan informasi dini kepada masyarakat, sehingga dapat dilakukan langkah mitigasi sebelum bencana meluas. Namun, metode konvensional yang berbasis model fisik dan empiris memiliki keterbatasan dalam menangani faktor kompleks seperti meteorologi, topografi, serta respon cepat aliran sungai. Untuk mengatasi hal tersebut, teknologi kecerdasan buatan (AI) berbasis deep learning dan machine learning mulai dimanfaatkan untuk meningkatkan akurasi prediksi dan klasifikasi risiko banjir.

Prediksi ketinggian muka air banjir dilakukan dengan memanfaatkan data curah hujan dan data tinggi muka air yang dikumpulkan dari stasiun pemantauan. Model deep learning berupa Deep Neural Network (DNN) dan Long Short-Term Memory (LSTM) digunakan untuk memprediksi pola kenaikan muka air berdasarkan data masukan. Sementara itu, model machine learning seperti Random Forest, Decision Tree, dan Extreme Gradient Boosting (XGBoost) digunakan untuk klasifikasi risiko banjir ke dalam beberapa tingkatan bahaya. Data dibagi ke dalam bagian pelatihan dan evaluasi menggunakan teknik k-fold cross validation untuk mencegah overfitting serta menjaga generalisasi model. Evaluasi kinerja dilakukan dengan menggunakan koefisien korelasi, normalized root mean square error (NRMSE), confusion matrix, serta F1-score.

Hasil analisis menunjukkan bahwa model DNN memiliki kinerja terbaik dalam memprediksi pola kenaikan muka air dan nilai puncak muka air, dengan nilai korelasi sebesar 0.92 dan NRMSE 9.48%. LSTM juga memberikan hasil yang baik, namun akurasinya lebih rendah dibandingkan DNN. Pada tahap klasifikasi risiko, model XGBoost menghasilkan performa tertinggi dengan F1-score sebesar 0.92, mengungguli Random Forest (0.73) dan Decision Tree (0.67). Hal ini membuktikan bahwa algoritma ensemble berbasis boosting mampu memberikan prediksi yang lebih stabil dan akurat. Hasil ini sejalan dengan beberapa studi terdahulu yang menunjukkan keunggulan model berbasis AI dalam menghadapi kompleksitas data hidrologi, sekaligus mengatasi keterbatasan model fisik maupun empiris. Penggunaan model AI juga memungkinkan pembaruan parameter secara dinamis sesuai kondisi data terbaru, sehingga lebih adaptif terhadap perubahan iklim maupun pola curah hujan yang tidak menentu.

Pemanfaatan model AI terbukti efektif dalam meningkatkan akurasi prediksi tinggi muka air banjir dan klasifikasi risiko. DNN menunjukkan performa terbaik untuk prediksi ketinggian muka air, sedangkan XGBoost unggul dalam klasifikasi risiko banjir. Integrasi keduanya dapat menjadi solusi yang lebih andal dalam sistem peringatan dini banjir. Dengan pemantauan data curah hujan dan muka air secara real-time, sistem ini berpotensi membantu pemerintah dan masyarakat dalam mengambil langkah mitigasi lebih cepat, mengurangi kerugian ekonomi, serta menyelamatkan lebih banyak nyawa.

REFERENSI

• Kim, D., Park, J., Han, H., Lee, H., Kim, H. S., & Kim, S. (2023). Application of AI-Based Models for Flood Water Level Forecasting and Flood Risk Classification. KSCE Journal of Civil Engineering, 27(7), 3163–3174. https://doi.org/10.1007/s12205-023-2175-5

PT. Precision Agriculutre Indonesia adalah ekosistem digital pertanian Indonesia yang mengintegrasikan agrotech, pertanian presisi, pertanian cerdas, dan pertanian pintar melalui pemanfaatan teknologi seperti sensor pertanian, Internet of Things (IoT), kecerdasan buatan, sistem irigasi otomatis, pemupukan cerdas, dan pemantauan tanaman berbasis data real-time, serta menghadirkan layanan edukasi petani modern, digitalisasi agribisnis, pasar produk pertanian online, penguatan rantai pasok, inovasi teknologi tepat guna, dan solusi pertanian ramah lingkungan yang mendukung pertanian modern, berkelanjutan, dan berdaya saing tinggi di era Revolusi Industri 4.0.  Pertanian Presisi Indonesia