Prediksi Potensi Banjir Menggunakan Machine Learning Dengan Pendekatan XGBoost Dan Logistic Regression

Banjir merupakan bencana alam yang sering terjadi di Indonesia dan menimbulkan dampak signifikan terhadap kerugian material maupun keselamatan jiwa. Penelitian ini bertujuan mengembangkan model prediksi potensi banjir berbasis data cuaca menggunakan pendekatan machine learning, yaitu XGBoost dan Logistic Regression. Dataset yang digunakan terdiri atas 1.513.505 record data cuaca dengan 1.165 kejadian banjir (0,077%). Fitur yang digunakan meliputi suhu, kelembaban, kecepatan dan arah angin, kode cuaca, serta fitur temporal melalui pendekatan sliding window pada H-1, H-2, dan H-3. Permasalahan ketidakseimbangan data ditangani menggunakan kombinasi stratified undersampling dan SMOTE sehingga rasio kelas berubah dari 1:1.298 menjadi 1:3,3. Hasil pengujian menunjukkan bahwa model XGBoost memberikan kinerja terbaik dengan akurasi 98,40%, precision 97,93%, recall 95,07%, dan ROC-AUC 99,38%, sedangkan Logistic Regression hanya mencapai akurasi 62,77%. Analisis feature importance menunjukkan bahwa kode cuaca pada H-3 dan H-1 merupakan fitur paling berpengaruh. Dengan tingkat false negative yang rendah sebesar 4,9%, model XGBoost dinilai andal untuk diimplementasikan sebagai sistem peringatan dini banjir.