Pemodelan Prediksi Banjir di Kota Denpasar Menggunakan Random Forest
DOI:
https://doi.org/10.69693/ijmst.v4i3.13424Keywords:
Random Forest, Prediksi Banjir, Google Earth Engine, Particle Swarm Optimization, Grid SearchAbstract
Banjir merupakan salah satu bencana hidrometeorologi yang paling sering terjadi di Indonesia, dan Kota Denpasar, Bali, menghadapi kejadian banjir berulang akibat pesatnya urbanisasi, berkurangnya daerah resapan air, serta kondisi topografi yang rendah. Penelitian ini mengembangkan model prediksi potensi banjir untuk Kota Denpasar menggunakan algoritma Random Forest, yang dilatih menggunakan lima variabel lingkungan berbasis penginderaan jauh yang diekstraksi melalui Google Earth Engine, yaitu curah hujan (CHIRPS), elevasi (SRTM), tutupan lahan (ESA WorldCover), indeks vegetasi (NDVI dari Landsat 8), dan kelembapan tanah (ERA5-Land). Data historis lokasi kejadian banjir dari Badan Penanggulangan Bencana Daerah (BPBD) Kota Denpasar periode 2020-2025 digabungkan dengan variabel-variabel lingkungan tersebut untuk membentuk dataset berlabel. Teknik Random Undersampling diterapkan untuk mengatasi ketidakseimbangan kelas, menghasilkan dataset seimbang sebanyak 416 data, yang kemudian dibagi menjadi 80% data latih dan 20% data uji. Tiga konfigurasi model dibangun dan dibandingkan, yaitu Random Forest baseline, model hasil optimasi Grid Search, dan model hasil optimasi Particle Swarm Optimization (PSO), yang masing-masing dievaluasi menggunakan metrik accuracy, precision, recall, dan F1-score. Di antara ketiga konfigurasi model, model Random Forest baseline menghasilkan performa terbaik secara keseluruhan, dengan accuracy tertinggi (88,10%), precision tertinggi (83,33%), recall tertinggi (95,24%), dan F1-score tertinggi (88,89%), serta waktu komputasi tersingkat (0,23 detik). Sebaliknya, optimasi menggunakan Grid Search dan PSO justru menurunkan performa di seluruh metrik evaluasi dibandingkan baseline, dengan accuracy masing-masing sebesar 84,52% dan 85,71%. Temuan ini menunjukkan bahwa kombinasi data penginderaan jauh dengan algoritma Random Forest mampu menghasilkan model prediksi potensi banjir yang andal untuk mendukung perencanaan mitigasi bencana di Kota Denpasar.
References
1. Adisanjaya, N. N., Prawira Kusuma, A. T. A., & Manik Nugraha, I. G. N. (2021). Pemetaan Zonasi Daerah Rawan Banjir di Denpasar Bali dengan Metode K-MEANS CLUSTERING. Jurnal Media Sains, 5(1). https://doi.org/10.36002/jms.v5i1.1495
2. Aditya, A., Umbara, F. R., & Sabrina, P. N. (2025). Klasifikasi Indeks Standar Pencemaran Udara Menggunakan Algoritma Catboost Dengan Teknik Balancing Data Random UnderSampling. Jurnal Algoritma, 22(2). https://doi.org/10.33364/algoritma/v.22-2.2971
3. Adiyasa, B., Dewi, C., & Adikara, P. P. (n.d.). DETEKSI BENCANA BANJIR BERDASARKAN DATA CURAH HUJAN DI DAERAH JAKARTA MENGGUNAKAN LOGISTIC REGRESSION NEURAL NETWORK.
4. Aeni, P., & Khoirul Anwar, M. (2024). Hydrometeorological Disaster: Challenges and Mitigation in Indonesia. Jurnal Indonesia Sosial Teknologi, 5(01), 318–330. https://doi.org/10.59141/jist.v5i01.888
5. Aufa, R. A., Altiarika, E., Pramudyantoro, A., Pratama, Y. B., & Wahyuzi, Z. (n.d.). Pengenalan Pola Kasus Potensi Banjir Di Pangkalpinang Dengan Algoritma Random Forest Dan Xgboost Menggunakan Google Earth Engine. 3(1).
6. Badan Pusat Statistik Provinsi Bali. (2026, January 2). Banyaknya Desa/Kelurahan Menurut Jenis Bencana Alam dalam Tiga Tahun Terakhir Berdasarkan Hasil Statistik Potensi Desa Provinsi Bali 2018, 2024 dan 2025. https://bali.bps.go.id/id/statistics-table/1/MTQ4IzE=/banyaknya-desa-kelurahan-menurut-jenis-bencana-alam-dalam-tiga-tahun-terakhir-berdasarkan-hasil-statistik-potensi-desa-provinsi-bali-2018-2024-dan-2025.html
7. BNPB. (2025a). Rangkuman Bencana tahun 2025. https://gis.bnpb.go.id/arcgis/apps/sites/#/public/pages/bencana-besar-tahun-2025
8. BNPB. (2025b, September 18). Banjir Kota Denpasar Bali. https://gis.bnpb.go.id/arcgis/apps/sites/#/public/pages/bencana-besar-tahun-2025
9. CRED (Centre for Research on the Epidemiology of Disasters). (2025, April 18). 2024 Disasters in Numbers. Reliefweb. https://reliefweb.int/report/world/2024-disasters-numbers
10. Damayanti, A., & Baita, A. (2025). Comparison of Support Vector Machine (SVM) and Random Forest (RF) Algorithm Performance with Random Undersampling Technique to Predict Gestational Diabetes Mellitus Risk. Journal of Applied Informatics and Computing, 9(2), 328–337. https://doi.org/10.30871/jaic.v9i2.9009
11. Fitriani, S., Budiman, E., Fadli, M., Surono, M., & Sulistiani, H. (2025). Optimalisasi Metode Random Forest menggunakan Particle Swarm Optimization dalam Prediksi Prestasi Mahasiswa. 3(1).
12. Haris, R., Haryo, W., Wahyu Pujiharto, E., Yuza, A., Kusrini, K., & Kusnawi, K. (2024). Prediksi Banjir Di Dki Jakarta Dengan Menggunakan Algoritma K-Means Dan Random Forest. Jurnal Informatika dan Teknologi Komputer ( J-ICOM), 5(1), 43–49. https://doi.org/10.55377/j-icom.v5i1.8153
13. Hermawan, E., Panjaitan, S. D., & Ripanti, E. F. (2024). Sistem Prediksi Banjir Rob Kota Pontianak Berbasis Machine Learning Menggunakan Framework Streamlit. 10(3).
14. Karolina, U., Wijaya, N., & Alamsyah, D. (2025). Klasifikasi Potensi Anak SD Berdasarkan Hobi Menggunakan Metode Naive Bayes Dengan Teknik Undersampling. Jurnal Ilmiah Sistem Informasi, 4(3), 340–350. https://doi.org/10.51903/wxnxrm24
15. Laila Sari, S., Rahmat, B., & Kartini, K. (2026). PENERAPAN ALGORITMA GRID SEARCH UNTUK MEMPREDIKSI CUSTOMER CHURN PADA BANK MENGGUNAKAN PERBANDINGAN OPTIMASI DECISION TREE DAN RANDOM FOREST. JATI (Jurnal Mahasiswa Teknik Informatika), 10(1), 908–913. https://doi.org/10.36040/jati.v10i1.16819
16. Motta, M., De Castro Neto, M., & Sarmento, P. (2021). A mixed approach for urban flood prediction using Machine Learning and GIS. International Journal of Disaster Risk Reduction, 56, 102154. https://doi.org/10.1016/j.ijdrr.2021.102154
17. Natzir, S. M. (2023). PERBANDINGAN KINERJA MODEL PEMBELAJARAN MESIN DALAM PREDIKSI BANJIR MENGGUNAKAN KNN, NAIVE BAYES, DAN RANDOM FOREST. HOAQ (High Education of Organization Archive Quality) : Jurnal Teknologi Informasi, 14(2), 59–64. https://doi.org/10.52972/hoaq.vol14no2.p59-64
18. Purwati, S. E., & Pristyanto, Y. (2024). Model Random Forest and Support Vector Machine for Flood Classification in Indonesia. Sinkron, 8(4), 2261–2268. https://doi.org/10.33395/sinkron.v8i4.13973
19. Rimba, A. B., Arumansawang, A., Utama, I. P. W., Chapagain, S. K., Bunga, M. N., Mohan, G., Setiawan, K. T., & Osawa, T. (2023). Cloud-Based Machine Learning for Flood Policy Recommendations in Makassar City, Indonesia. Water, 15(21), 3783. https://doi.org/10.3390/w15213783
20. Rizki, A. M., & Nurlaili, A. L. (2021). Algoritme Particle Swarm Optimization (PSO) untuk Optimasi Perencanaan Produksi Agregat Multi-Site pada Industri Tekstil Rumahan. Journal of Computer, Electronic, and Telecommunication, 1(2). https://doi.org/10.52435/complete.v1i2.73
21. Rosidah, N., Prathivi, R., & Susanto, S. (2025). OPTIMASI METODE RANDOM FOREST UNTUK KLASIFIKASI RISIKO OBESITAS BERDASARKAN POLA MAKAN. Jurnal Informatika Teknologi dan Sains (Jinteks), 7(1), 56–62. https://doi.org/10.51401/jinteks.v7i1.5065
22. Salwa Alexita, A. C., Kusumaningtyas, P., & Rofi’i, M. (2025). OPTIMASI ALGORITMA RANDOM FOREST MENGGUNAKAN PSO UNTUK KLASIFIKASI KANKER PAYUDARA DENGAN CITRA MAMMOGRAMS. Teknika STTKD: Jurnal Teknik, Elektronik, Engine, 11(1), 47–54. https://doi.org/10.56521/teknika.v11i1.1346
23. Sathyanarayanan, S. (2024). Confusion Matrix-Based Performance Evaluation Metrics. African Journal of Biomedical Research, 4023–4031. https://doi.org/10.53555/AJBR.v27i4S.4345
24. Schoppa, L., Disse, M., & Bachmair, S. (2020). Evaluating the performance of random forest for large-scale flood discharge simulation. Journal of Hydrology, 590, 125531. https://doi.org/10.1016/j.jhydrol.2020.125531
25. Sitepu, J. P., Mongi, C. E., Widiana, S. A., & Ketaren, E. (2025). PREDIKSI BANJIR DI KOTA MANADO MENGGUNAKAN METODE. (1).
26. Suryatmaja, I. B., Ritaka Wangsa, A. A. R., Nada, I. M., & Pasek Perdana, I. W. G. (2023). Analisis Kapasitas Saluran Drainase di Jalan Tukad Yeh Aya Renon Denpasar. Jurnal Ilmiah Kurva Teknik, 12(2), 158–165. https://doi.org/10.36733/jikt.v12i2.7832
27. Wu, Y., Zhang, Z., Qi, X., Hu, W., & Si, S. (2024). Prediction of flood sensitivity based on Logistic Regression, eXtreme Gradient Boosting, and Random Forest modeling methods. Water Science & Technology, 89(10), 2605–2624. https://doi.org/10.2166/wst.2024.146
28. Zhao, Q., Yu, L., Li, X., Peng, D., Zhang, Y., & Gong, P. (2021). Progress and Trends in the Application of Google Earth and Google Earth Engine. Remote Sensing, 13(18), 3778. https://doi.org/10.3390/rs13183778
29. Zikri, R., Sunyoto, A., & Yaqin, A. (2025). Optimasi Hyperparameter Grid Search Dan Random Search Pada Inception V3 Untuk Kematangan Buah Kelapa Sawit. JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), 10(4), 3043–3053. https://doi.org/10.29100/jipi.v10i4.6537
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Indonesian Journal of Multidisciplinary on Social and Technology
This work is licensed under a Creative Commons Attribution 4.0 International License.
