ANALISIS TITIK GENANGAN AIR AKIBAT BANJIR MENGGUNAKAN METODE RANDOM FOREST DI KECAMATAN LEDO
Isi Artikel Utama
Abstrak
Banjir merupakan salah satu bencana alam yang sering terjadi di berbagai wilayah Indonesia, termasuk Kabupaten Bengkayang. Tingginya curah hujan pada musim penghujan dapat menyebabkan peningkatan debit air yang dapat menimbulkan luapan sungai maupun badan air lainnya sehingga memicu terjadinya genangan. Salah satu upaya yang dapat dilakukan untuk mendukung mitigasi bencana banjir adalah melalui identifikasi dan pemetaan titik-titik genangan air. Oleh karena itu, penelitian ini bertujuan untuk memetakan titik genangan air di Kecamatan Ledo dengan memanfaatkan data penginderaan jauh, Sistem Informasi Geografis, serta algoritma Random Forest. Sebanyak 244 titik sampel dikumpulkan dan dilakukan ekstraksi nilai variabel sebagai dasar penyusunan dataset. Selanjutnya, dataset dibagi menjadi data latih 80% dan data uji 20% untuk proses pemodelan dan evaluasi. Hasil penelitian menunjukkan bahwa algoritma Random Forest mampu mengklasifikasikan titik genangan air dengan tingkat akurasi sebesar 98%. Berdasarkan confusion matrix, seluruh titik yang tidak tergenang berhasil diidentifikasi dengan tepat, sedangkan hanya satu titik genangan yang mengalami kesalahan klasifikasi. Analisis feature importance menunjukkan bahwa variabel VV memiliki kontribusi paling besar dalam proses klasifikasi. Secara keseluruhan, hasil penelitian ini menunjukkan bahwa algoritma Random Forest memiliki kinerja yang sangat baik dalam memprediksi titik genangan air dan menjadi salah satu pendukung pengambilan keputusan dalam upaya mitigasi dan penanggulangan banjir.
Rincian Artikel
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Copyright (c) STMIK TIMEReferensi
[1] M. Yusup, P. I. S. Tarigan, K. Noviansah, R. Ridwana, and S. A. Aliyan, “Identifikasi Genangan Banjir Menggunakan Sentinel 1 dan Korelasinya Dengan Kerawanan Banjir Di Kabupaten Barito Selatan,” Geo Image ( Spat. ), vol. 12, no. 1, pp. 62–70, 2023.
[2] A. P. Ambarini, F. Bioresita, and N. Hayati, “Analisis Sebaran Spasial Genangan Banjir Terkait Tutupan Lahan di Kota Banjarmasin , Kalimantan Selatan Menggunakan Citra Sentinel 1 dan 2,” Geoid (Journal Geod. geomatics)eomatics), vol. 19, no. 2, pp. 326–337, 2024.
[3] F. A. Budiarto and F. Bioresita, “Pemanfaatan Citra Sentinel-1 SAR dan Metode Change Detection Approach Untuk Analisis Sebaran Spasial Wilayah Banjir dan Area Terdampak (Studi Kasus: Banjir Kabupaten Aceh Utara 2022),” JGISE J. Geospatial Inf. Sci. Eng., vol. 6, no. 2, pp. 153–162, 2023, doi: 10.22146/jgise.87585.
[4] R. A. Kenranto, H. Hidayat, and F. Bioresita, “Analisis Genangan Banjir Terhadap Penutup Lahan di Wilayah Tangerang Menggunakan Data Citra Sentinel-1 dan Sentinel-2,” JGISE J. Geospatial Inf. Sci. Eng., vol. 7, no. 1, pp. 14–22, 2024, doi: 10.22146/jgise.87579.
[5] Suhadi, F. Mabruroh, A. Wiyanto, and Ikra, “Analisis fenomena perubahan iklim terhadap curah hujan ekstrim,” Opt. J. Pendidik. Fis., vol. 7, no. 1, pp. 94–100, 2023.
[6] Narwati, “11 Kecamatan di Bengkayang Kalbar Dilanda Bencana Banjir,” Antaranews.com, Bengkayang, 2025. [Online]. Available: https://kalbar.antaranews.com/berita/621470/11-kecamatan-di-bengkayang-kalbar-dilanda-bencana-banjir
[7] D. Eno, “12 Ribu Warga Bengkayang Terdampak Banjir, 3.468 Rumah Terendam,” suarakalbar.com, 2025. [Online]. Available: https://www.suarakalbar.co.id/2025/02/12-ribu-warga-bengkayang-terdampak-banjir-3-468-rumah-terendam/
[8] S. N. Aziza, L. Somantri, and I. Setiawan, “Analisis Pemetaan Tingkat Rawan Banjir Di Kecamatan Bontang Barat Kota Bontang Berbasis Sistem Informasi Geografis,” J. Pendidik. Geogr. Undiksha, vol. 9, no. 2, pp. 109–120, 2021.
[9] C. Cahyaningtyas, M. Sari, and D. S. Pranata, “Pengembangan Model SIG untuk Pemetaan Daerah Risiko Rawan Bencana Banjir di Kabupaten Bengkayang,” Jutisi J. Ilm. Tek. Inf. dan Sist. Inf., vol. 14, no. 1, pp. 60–69, 2024.
[10] P. O. Andewi, K. A. Seputra, K. Y. E. Aryanto, L. Joni, and E. Dewi, “Integrasi Teknologi Penginderaan Jauh dan Machine Learning Pada Web GIS Untuk Pemetaan Potensi Banjir,” J. Pendidik. Teknol. dan Kejuru., vol. 22, no. 1, pp. 12–23, 2025.
[11] H. Farhadi and M. Najafzadeh, “Flood Risk Mapping By Remote Sensing Data and Random Forest Technique,” Water MDPI, vol. 13, no. 3115, pp. 1–25, 2021, doi: 10.3390/w13213115.
[12] A. S. Shaik, N. Shaik, and D. C. K. Priya, “Predictive Modeling in Remote Sensing Using Machine Learning Algorithms,” Int. J. Curr. Sci. Res. Rev., vol. 07, no. 06, pp. 4116–4123, 2024, doi: 10.47191/ijcsrr/v7-i6-62.
[13] F. Rahmasari, M. Rifany, T. Priharyanto, and R. Kurniawan, “Perbandingan Algoritma Machine Learning dalam Klasifikasi Status Banjir di Sumatera Utara,” Semin. Nas. Sains Data 2024 (SENADA 2024), pp. 307–318, 2024.
[14] R. D. Ismanto, H. L. Fitriana, J. Manalu, A. A. Purboyo, and I. Prasasti, “Development of Flood-Hazard-Mapping Model Using Random Forest and Frequency Ratio in Sumedang Regency , West Java , Indonesia,” Geomatics Environ. Eng., vol. 17, no. 6, pp. 129–157, 2023.
[15] L. S. Qamarani and M. Riasetiawan, “Klasifikasi Level Banjir Menggunakan Random Forest dan Support Vector Machine,” Indones. J. Electron. Instrum. Syst., vol. 14, no. 2, pp. 199–208, 2024.
[16] E. Hermawan, S. D. Panjaitan, and E. F. Ripanti, “Sistem Prediksi Banjir Rob Kota Pontianak Berbasis Machine Learning Menggunakan Framework Streamlit,” JEPIN (Jurnal Edukasi dan Penelit. Inform., vol. 10, no. 3, pp. 351–361, 2024.
[17] H. S. Munawar, A. W. A. Hammad, and S. T. Waller, “Remote Sensing Methods for Flood Prediction: A Review,” Sensors, vol. 22, no. 960, pp. 1–21, 2022, doi: 10.3390/s22030960.
[18] Y. Liao, Z. Wang, C. Lai, and C. Y. Xu, “A Framework on Fast Mapping of Urban Flood Based on a Multi-Objective Random Forest Model,” Int. J. Disaster Risk Sci., vol. 14, no. 2, pp. 253–268, 2023, doi: 10.1007/s13753-023-00481-2.
[19] G. Schumann, L. Giustarini, A. Tarpanelli, B. Jarihani, and S. Martinis, “Flood Modeling and Prediction Using Earth Observation Data,” Surv. Geophys., vol. 44, no. 5, pp. 1553–1578, 2023, doi: 10.1007/s10712-022-09751-y.
[20] U. Nazir et al., “Improved Flood Mapping for Efficient Policy Design by Fusion of Sentinel-1, Sentinel-2 and Landsat-9 Imagery to Identify Population and Infrastructure Exposed to Floods,” Int. Geosci. Remote Sens. Symp., vol. 2023-July, pp. 1591–1594, 2023, doi: 10.1109/IGARSS52108.2023.10282530.
[21] T. Islam, E. B. Zeleke, M. Afroz, and A. M. Melesse, “A Systematic Review of Urban Flood Susceptibility Mapping: Remote Sensing, Machine Learning, and Other Modeling Approaches,” Remote Sens., vol. 17, no. 3, 2025, doi: 10.3390/rs17030524.
[22] F. Karim, M. A. Armin, D. Ahmedt-Aristizabal, L. Tychsen-Smith, and L. Petersson, “A Review of Hydrodynamic and Machine Learning Approaches for Flood Inundation Modeling,” Water (Switzerland), vol. 15, no. 3, pp. 1–21, 2023, doi: 10.3390/w15030566.
[23] Admin, “Banjir Terparah di Bengkayang, 5.216 Warga Terdampak dan Mulai Terima Bantuan,” Suara Nusantara. [Online]. Available: https://www.suaranusantara.co.id/2025/01/banjir-terparah-di-bengkayang-5216.html
[24] “Google Earth Engine.” [Online]. Available: https://code.earthengine.google.com/
[25] “CHRS Data Portal.” [Online]. Available: https://chrsdata.eng.uci.edu/
[26] “Im.Carto Geo data Base : Digital Elevation Model,” imcarto.webflo.io. [Online]. Available: https://imcarto.webflow.io/gdb
[27] “Im.Carto Geo Data Base : Land Use 2017,” imcarto.webflo.io. [Online]. Available: https://imcarto.webflow.io/gdb