<![CDATA[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.]]>
