Analisis Prediksi Risiko Banjir Menggunakan Algoritma Random Forest
Keywords:
banjir, prediksi risiko banjir, Random Forest, machine learning, feature importanceAbstract
Banjir merupakan salah satu bencana alam yang sering terjadi dan menimbulkan dampak signifikan terhadap kehidupan masyarakat, sehingga diperlukan upaya prediksi yang akurat sebagai dasar mitigasi dan sistem peringatan dini. Penelitian ini bertujuan untuk menganalisis dan memprediksi risiko banjir menggunakan algoritma Random Forest berbasis data banjir per jam. Dataset yang digunakan terdiri dari 105.408 data observasi dengan sembilan variabel, yang mencakup faktor hidrologi, temporal, dan administratif, serta variabel target berupa status banjir. Metode penelitian meliputi tahapan pemahaman data, preprocessing, pembentukan model Random Forest, prediksi, dan evaluasi model menggunakan confusion matrix dan classification report. Hasil penelitian menunjukkan bahwa model Random Forest menghasilkan tingkat akurasi sebesar 98%, dengan performa yang sangat baik dalam mengklasifikasikan kondisi tidak banjir, serta cukup baik dalam mendeteksi kejadian banjir meskipun masih terdapat keterbatasan akibat ketidakseimbangan data. Analisis feature importance menunjukkan bahwa curah hujan dan debit air merupakan faktor paling dominan dalam menentukan risiko banjir. Hasil penelitian ini menegaskan bahwa pendekatan machine learning menggunakan Random Forest efektif untuk prediksi risiko banjir dan berpotensi mendukung pengembangan sistem peringatan dini banjir berbasis data.References
N. Haque, T. Islam, and M. Erfan, “An exploration of machine learning approaches for early Autism Spectrum Disorder detection,” Healthc. Anal., vol. 7, no. January, p. 100379, 2025.
L. S. Qamarani and M. Riasetiawan, “Klasifikasi Level Banjir Menggunakan Random Forest dan Support Vector Machine,” IJEIS (Indonesian J. Electron. Instrum. Syst., vol. 14, no. 2, p. 199, 2024.
D. F. Zahra and C. -, “Studi Literatur Pemanfaatan Artificial Intelligence untuk Prediksi Bencana Banjir,” J. Teknol. Inf. dan Komun., vol. 18, no. 1, pp. 15-26, 2025.
I. Hapsari and S. Pandya Wisesa, “Evaluasi Model Prediksi Curah Hujan Berbasis Machine Learning di Kota Bandung,” J. Nas. Teknol. dan Sist. Inf., vol. 11, no. 2, pp. 136-143, 2025.
S. M. Natzir, “Prediksi Banjir menggunakan Naive Bayes Di Sleman,” J. Teknol. Inf., vol. 14, no. 2, pp. 59-64, 2023.
I. L. Rahmah, A. Nugroho, Y. Manahan, and T. Siregar, “Prediksi Curah Hujan Menggunakan Random Forest dan VAR di Kediri Raya,” J. Teknol. Dan Sist. Inf. Bisnis-JTEKSIS, vol. 7, no. 4, p. 539, 2025.
S. E. Purwati and Y. Pristyanto, “Model Random Forest and Support Vector Machine for Flood Classification in Indonesia,” Sinkron, vol. 8, no. 4, pp. 2261-2268, 2024.
Jupron and Sutrisno, “Analysis of Heart Disease Using the Random Forest Method,” J. Inotera, vol. 10, no. 1, pp. 167-174, 2025.
A. Suaif and E. Sylvianti Rahayu, “Analisis Faktor Dan Pola Kejadian Banjir Di Bandar Lampung Menggunakan Arima, Random Forest, Dan Xgboost,” J. Teknol. Komput. dan Inform., vol. 3, no. 2, 2025.
