PREDIKSI BANJIR DI KOTA MANADO MENGGUNAKAN METODE RANDOM FOREST
Isi Artikel Utama
Abstrak
Banjir merupakan salah satu bencana alam yang sering terjadi di Kota Manado akibat curah hujan tinggi yang melebihi kapasitas penampungan air. Penelitian ini bertujuan untuk mengembangkan model prediksi banjir menggunakan algoritma Random Forest berdasarkan data cuaca historis. Metode penelitian yang digunakan adalah pendekatan kuantitatif dengan memanfaatkan data cuaca dari BMKG Manado periode 2014-2024 yang mencakup delapan indikator cuaca. Data dibagi menjadi data latih (70%) dan data uji (30%) dengan implementasi model menggunakan 300 pohon keputusan. Hasil penelitian menunjukkan performa model yang sangat baik dengan akurasi konsisten di atas 93% dan mencapai puncak 97,97% pada April 2014. Evaluasi menggunakan confusion matrix memperlihatkan nilai precision, recall, dan F1-Score yang sempurna untuk kategori "Tidak Banjir" dan "Banjir Besar", serta nilai sangat baik untuk klasifikasi "Banjir Ringan" (98,40%) dan "Banjir Sedang" (98,59%). Kesalahan klasifikasi hanya terjadi pada kelas-kelas yang berdekatan, menunjukkan konsistensi model dalam membedakan tingkat keparahan banjir. Penelitian ini membuktikan bahwa metode Random Forest efektif untuk memprediksi kejadian banjir di Kota Manado dengan tingkat akurasi yang tinggi. Untuk penelitian selanjutnya, disarankan pengembangan model pembelajaran mesin alternatif, penambahan variabel prediktor seperti tutupan lahan dan topografi, serta pengembangan sistem peringatan dini berbasis GIS untuk meningkatkan komunikasi hasil prediksi kepada masyarakat.
Rincian Artikel
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Copyright (c) STMIK TIMEReferensi
[1] A. Pakkung, D. Hatidja, and J. Titaley, “d ’ CartesiaN Jurnal Matematika dan Aplikasi PREDIKSI CURAH HUJAN KOTA MANADO DENGAN MENGGUNAKAN METODE AUTOREGRESSIVE MOVING AVERAGE ( ARMA ),” J. Mat. dan Apl., pp. 11–16, 2024.
[2] M. Azizah, A. Subiyanto, S. Triutomo, and D. Wahyuni, “Pengaruh Perubahan Iklim Terhadap Bencana Hidrometeorologi di Kecamatan Cisarua - Kabupaten Bogor,” PENDIPA J. Sci. Educ., vol. 6, no. 2, pp. 541–546, 2022, doi: 10.33369/pendipa.6.2.541-546.
[3] R. Pangemanan, C. J. Supit, and J. D. Mamoto, “Prediksi Banjir Di Sungai Ranowangko Kota Tomohon,” J. Sipil Statik, vol. 8, no. 6, pp. 883–892, 2020.
[4] M. Dhawangkhara and E. Riksakomara, “Prediksi Intensitas Hujan Kota Surabaya dengan Matlab menggunakan Teknik Random Forest dan CART (Studi Kasus Kota Surabaya),” J. Tek. ITS, vol. 6, no. 1, 2017, doi: 10.12962/j23373539.v6i1.21120.
[5] M. D. Purnama and M. E. Mustafidah, “Relationship Between Temperature and Humidity on Rainfall,” Eng. Math. Comput. Sci. J., vol. 6, no. 2, pp. 151–156, 2024, doi: 10.21512/emacsjournal.v6i2.11466.
[6] Y. A. Saputra and D. Mahdiana, “Analisis Penerapan Machine Learning , Deep Learning , dan Data Mining dalam Prediksi Penjualan di Industri Otomotif Magister Ilmu Komputer , Fakultas Teknologi Informasi , Universitas Budi Luhur , Jakarta , Indonesia Sistem Informasi , Fakultas Teknologi Informasi , Universitas Budi Luhur , Jakarta , Indonesia Analysis of the Application of Machine Learning , Deep Learning , and Data Mining in Sales Prediction in the Automotive Industry,” vol. 5, no. 6, pp. 1743–1755, 2025.
[7] P. Diana Nopianti, “Analisis Data Guna Meningkatkan Optimasi Perusahaan,” J. Compr. Sci., vol. 1, no. 2, pp. 214–221, 2022, doi: 10.59188/jcs.v1i2.40.
[8] G. Agung, D. Sri, A. Ningsih, and C. Pramartha, “Klasifikasi Kualitas Air Layak Minum menggunakan Algoritma Random Forest Classifier dan GridsearchCV,” vol. 12, no. 1, pp. 1197–1206, 2024.
[9] I. Handani, “Pengaruh Media Pembelajaran Matematika meggunakan software matlab pokok bahasan matriks terhadap hasil belajar siswa tahun 2020/2021,” Jimedu J. Ilm. Mhs. Kegur. dan ilmu Pendidik., vol. 2, no. 6, pp. 454–462, 2022.
[10] M. Heydarian, T. E. Doyle, and R. Samavi, “MLCM: Multi-Label Confusion Matrix,” IEEE Access, vol. 10, pp. 19083–19095, 2022, doi: 10.1109/ACCESS.2022.3151048.