Browsing by Author "Rianto, Aryan"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    IMPLEMENTASI ALGORITMA RANDOM FOREST UNTUK PREDIKSI DAN KLASIFIKASI DAERAH BANJIR DI KABUPATEN BANDUNG
    (Program Studi S1 Informatika, 2025) Rianto, Aryan; Fitrah Rumaisa (Pembimbing)
    Banjir merupakan salah satu bencana alam yang sering terjadi di Kabupaten Bandung dan memberikan dampak signifikan terhadap aspek sosial, ekonomi, serta lingkungan. Berdasarkan data dari BNPB periode 2019 – 2023, tercatat 446 kejadian banjir dengan berbagai data kerugian. Penelitian sebelumnya menerapkan metode prediksi banjir seperti K-Nearest Neighbor, , Naive Bayes, Support Vector Machine, namun masih memiliki keterbatasan dari segi akurasi, efisiensi komputasi dan parameter data. Sebagai solusi, penelitian ini mengimplementasikan algoritma Random Forest, yang dikenal memiliki performa lebih baik. Tujuan dari penelitian ini untuk melakukan klasifikasi dan prediksi tingkat kerawanan banjir di Kabupaten Bandung secara akurat, serta menghasilkan sistem yang dapat mendukung perencanaan mitigasi bencana berbasis data. Variabel yang digunakan dalam model meliputi data curah hujan, jenis tanah, penggunaan lahan, dan data historis banjir dari tahun 2019 hingga 2023. Sebagai Metodologinya penelitian ini dilakukan dengan tahapan : pengumpulan data dari beberapa instansi yang terkait yaitu BMKG, BNPB, dan Bappeda. Preprocessing data dan Eksplorasi data, pemodelan menggunakan algoritma Random Forest dengan bantuan library Pycaret sebagai perbandingan algoritma yang tepat berdasarkan akurasi tertinggi dan scikit-learn sebagai penentuan algoritma terbaik, serta evaluasi model menggunakan metrik klasifikasi seperti akurasi, precision, recall, F1-score, AUC, Kappa dan MCC. Hasil penelitian menunjukkan bahwa model Random Forest yang telah di optimasi memiliki akurasi sebesar 96%, AUC 99%, dan rata-rata Precision, recall, dan F1score di atas 90%. Model ini terbukti mampu membedakan wilayah dengan tingkat risiko banjir tinggi dan rendah secara sangat baik. Model prediksi tersebut kemudian diintegrasikan ke dalam sebuah aplikasi berbasis web bernama CaaIR (Cek Area Caah dan Informasi Rawan), yang dibangun menggunakan framework React untuk antarmuka pengguna dan Flask untuk backend. Aplikasi ini memungkinkan pengguna memasukkan data parameter wilayah dan memperoleh prediksi tingkat kerawanan banjir secara instan.