REKAYASA APLIKASI PERAMALAN CURAH HUJAN DAN POTENSI BANJIR DI KOTA PADANG
DOI:
https://doi.org/10.31004/joecy.v6i1.8054Keywords:
Curah hujan, potensi banjir, , machine learning, Explainable Artificial Intelligence (XAI), sistem pendukung keputusanAbstract
Kota Padang merupakan wilayah dengan curah hujan tinggi sepanjang tahun sehingga risiko banjir dapat terjadi kapan saja. Namun, sistem peringatan dini yang digunakan saat ini masih bersifat kualitatif dan belum mampu memberikan estimasi kuantitatif potensi banjir yang mendukung mitigasi preventif. Oleh karena itu, penelitian ini bertujuan untuk merekayasa aplikasi peramalan curah hujan bulanan dan potensi banjir di Kota Padang berbasis machine learning yang dilengkapi dengan analisis interpretatif. Penelitian ini menerapkan metodologi CRISP-DM untuk pengembangan model prediksi, dengan algoritma Random Forest Regressor dan XGBoost Regressor sebagai kandidat model yang dievaluasi. Data yang digunakan berupa data iklim historis yang mencakup curah hujan, suhu, dan kelembapan. Proses pemodelan dilakukan dengan membandingkan kinerja kedua algoritma menggunakan metrik Root Mean Square Error (RMSE) dan Mean Absolute Error (MAE). Untuk meningkatkan transparansi hasil prediksi, penelitian ini menerapkan Explainable Artificial Intelligence (XAI) menggunakan metode SHAP guna menjelaskan kontribusi masing-masing variabel terhadap hasil peramalan.Pengembangan sistem dilakukan menggunakan metode rekayasa perangkat lunak Waterfall dengan arsitektur modular three-tier architecture dan diimplementasikan dalam bentuk aplikasi web. Hasil penelitian menunjukkan bahwa model Random Forest menghasilkan kinerja prediksi yang lebih baik dibandingkan XGBoost. Aplikasi yang dibangun mampu menampilkan hasil peramalan, klasifikasi potensi banjir, serta visualisasi interpretatif, dan telah lulus pengujian fungsional dengan tingkat keberhasilan 100%. Sistem ini dinilai layak digunakan sebagai sistem pendukung keputusan BPBD Kota Padang dalam meningkatkan kesiapsiagaan dan mitigasi banjir.
References
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
Antara News. (2020, September 10). BPBD Padang catat 15 titik banjir di Padang akibat curah hujan tinggi. Antara News. https://www.antaranews.com/berita/1718882/bpbd-padang-catat-15-titik-banjir-di-padang-akibat-curah-hujan-tinggi
Aqel, M. J., Nakshabandi, O. A., & Adeniyi, A. (2019). Decision support systems classification in industry. Periodicals of Engineering and Natural Sciences, 7(2), 774–785. https://doi.org/10.21533/pen.v7i2.550
Ayu Windari, G., Sudarti, dan, Kalimantan Tegalboto No, J., Sumbersari, K., Jember, K., Timur, J., & penulis, K. (2024). Mekanisme Terjadinya Hujan Dan Pengaruhnya Terhadap Lingkungan. Jurnal Teknologi Lingkungan Unmul, 8(2).
Badan Nasional Penanggulangan Bencana [BNPB]. (2021, October 1). Curah hujan tinggi akibatkan banjir dan longsor Kota Padang. Berita Indonesia. https://beritaind.com/2021/10/01/curah-hujan-tinggi-akibatkan-banjir-dan-longsor-kota-padang
Badan Penanggulangan Bencana Daerah [BPBD] Kota Padang. (2024, September 9). Hujan merata di Kota Padang BPBD himbau warga waspada dan ikuti informasi resmi. BPBD Kota Padang. https://bpbd.padang.go.id/konten/hujan-merata-di-kota-padang-bpbd-himbau-warga-waspada-dan-ikuti-informasi-resmi
Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., & Wirth, R. (2000). CRISP-DM 1.0: Step-by-step data mining guide. The CRISP-DM Consortium.
Choubin, B., Jaafari, A., Henareh, J., Karimi, O., & Sajedi Hosseini, F. (2025). Explainable artificial intelligence (XAI) for interpreting predictive models and key variables in flood susceptibility. Results in Engineering, 27. https://doi.org/10.1016/j.rineng.2025.105976
Driptufany, D. M., Guvil, Q., Syafriani, D., & Arini, D. (2021). Flood management based on the potential urban catchments: Case study Padang City. Sumatra Journal of Disaster, Geography and Geography Education, 5(1), 49–54. http://sjdgge.ppj.unp.ac.id/index.php/Sjdgge
Fudzi, F. M., Yusof, Z. M., & Misiran, M. (2021). Rainfall forecasting with time series model in Alor Setar, Kedah. Universiti Malaysia Terengganu Journal of Undergraduate Research, 3(1), 37–44.
Ganaie, M. A., Tanveer, M., Suganthan, P. N., & Snasel, V. (2022). Oblique and rotation double random forest. https://doi.org/10.1016/j.neunet.2022.06.012
Hall, T., & Rasheed, K. (2025). A Survey of Machine Learning Methods for Time Series Prediction. In Applied Sciences (Switzerland) (Vol. 15, Issue 11). Multidisciplinary Digital Publishing Institute (MDPI). https://doi.org/10.3390/app15115957
Lundberg, S. (2017). ChromNet ChromNet View project View project Shapley Additive exPlanations (SHAP) Shapley Additive exPlanations (SHAP) View project View project. https://www.r
Molnar, C. (2020). Interpretable Machine Learning A Guide for Making Black Box Models Explainable. www.dbooks.orghttp://leanpub.com/interpretable-machine-learning
Parker, F., Martínez, D. A., Scheulen, J., & Ghobadi, K. (2024). An Interactive Decision-Support Dashboard for Optimal Hospital Capacity Management. http://arxiv.org/abs/2403.15634
Pradhan, B., Lee, S., Dikshit, A., & Kim, H. (2023). Spatial flood susceptibility mapping using an explainable artificial intelligence (XAI) model. Geoscience Frontiers, 14(6). https://doi.org/10.1016/j.gsf.2023.101625
Prasanth Kadiyala, S., & Woo, W. L. (2021). Flood prediction and analysis on the relevance of features using explainable artificial intelligence. ACM International Conference Proceeding Series, 1–6. https://doi.org/10.1145/3516529.3516530
Sommerville, I. (2011). Software engineering (9th ed.). Pearson Education.
Supatmi, S., Huo, R., & Sumitra, I. D. (2019). Implementation of Multiplicative Seasonal ARIMA Modeling and Flood Prediction Based on Long-Term Time Series Data in Indonesia. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 11633 LNCS, 38–50. https://doi.org/10.1007/978-3-030-24265-7_4
Supatmi, S., Huo, R., & Sumitra, I. D. (2019). Implementation of Multiplicative Seasonal ARIMA Modeling and Flood Prediction Based on Long-Term Time Series Data in Indonesia. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 11633 LNCS, 38–50. https://doi.org/10.1007/978-3-030-24265-7_4
Tjahjanto, T., Arista, A., & Ermatita, E. (2022). Information system for state-owned inventories management at the Faculty of Computer Science. Sinkron, 7(4), 2182–2192. https://doi.org/10.33395/sinkron.v7i4.11678
Young, A., Bhattacharya, B., & Zevenbergen, C. (2021). A rainfall threshold-based approach to early warnings in urban data-scarce regions: A case study of pluvial flooding in Alexandria, Egypt. Journal of Flood Risk Management, 14(2). https://doi.org/10.1111/jfr3.12702
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Manja Fani Oktavia, Syafrijon Syafrijon, Denny Kurniadi, Delvi Asmara
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
