PEMODELAN DAN PERBANDINGAN ALGORITMA MACHINE LEARNING UNTUK PREDIKSI BANJIR: STUDI KASUS KOTA MEDAN

Abstract

Banjir merupakan salah satu bencana hidrometeorologis yang sering terjadi di Indonesia, termasuk di Kota Medan, dan menimbulkan kerugian sosial ekonomi yang signifikan. Penelitian ini bertujuan untuk mengembangkan dan membandingkan model prediksi kejadian banjir menggunakan tiga algoritma machine learning, yaitu Random Forest (RF), Support Vector Machine (SVM), dan Decision Tree (CART). Data yang digunakan merupakan data hidrometeorologis Kota Medan periode 2021–2024 yang diperoleh dari BMKG dan Geoportal BNPB, meliputi variabel curah hujan (RR), suhu (TN, TX, TAVG), kelembapan (RH_AVG), kecepatan angin (FF_X), arah angin (DDD_X), serta jumlah kecamatan dan rumah terdampak. Tahapan penelitian meliputi pra-pemrosesan data, pemodelan, serta evaluasi menggunakan metrik akurasi, presisi, recall, F1-score, dan AUC. Hasil penelitian menunjukkan bahwa Random Forest memiliki kinerja terbaik dengan akurasi sebesar 86,24% dan AUC sebesar 0,851, yang menunjukkan kemampuan prediksi yang sangat baik. Analisis feature importance menunjukkan bahwa curah hujan (RR) merupakan faktor paling berpengaruh terhadap kejadian banjir, diikuti oleh temperatur minimum (TN) dan temperatur rata-rata (TAVG). Metode ROSE terbukti efektif dalam mengatasi ketidakseimbangan kelas dengan meningkatkan recall tanpa mengorbankan akurasi. Secara keseluruhan, hasil penelitian ini menunjukkan bahwa algoritma Random Forest lebih andal dan stabil dibandingkan SVM dan Decision Tree dalam konteks analisis data hidrometeorologis, serta berpotensi menjadi dasar pengembangan sistem peringatan dini banjir berbasis kecerdasan buatan di masa depan.

Kata Kunci: Prediksi Banjir, Random Forest, Support Vector Machine, Decision Tree, ROSE.