<![CDATA[Abstrak Banjir rob merupakan salah satu jenis bencana hidrometeorologi yang kerap terjadi di wilayah pesisir, terutama akibat kombinasi antara pasang laut tinggi, fase bulan tertentu, dan curah hujan ekstrem. Penelitian ini bertujuan untuk mengidentifikasi potensi banjir rob di kawasan Pelabuhan Surabaya dengan menggunakan algoritma klasifikasi Random Forest dan Decision Tree. Data yang digunakan meliputi parameter hidrometeorologi seperti fase bulan, pasang surut air laut, dan curah hujan, yang diperoleh dari Stasiun Meteorologi Maritim Tanjung Perak Surabaya. Sebelum dimodelkan, data melalui tahapan pre-processing berupa normalisasi dan pembobotan untuk menyeragamkan skala antar variabel serta menilai tingkat kontribusi masing-masing parameter. Model dikembangkan dengan pembagian data 80% pelatihan dan 20% pengujian. Hasil evaluasi Random Forest menunjukkan akurasi sebesar 99,96% dan Decision Tree sebesar 99,94% dengan tingkat kesalahan yang sangat rendah. Analisis feature importance menunjukkan bahwa fase bulan dan pasang surut merupakan faktor dominan dalam prediksi banjir rob, sedangkan curah hujan memiliki pengaruh minimal. Temuan ini membuktikan bahwa Random Forest merupakan metode yang efektif dan andal untuk klasifikasi banjir rob serta memiliki potensi untuk diimplementasikan dalam sistem peringatan dini. Penelitian ini juga merekomendasikan integrasi data geografis, seperti informasi kerentanan tanah, morfologi wilayah, dan elevasi permukaan untuk meningkatkan akurasi dan generalisasi model di masa mendatang. Abstract Tidal flooding is a type of hydrometeorological disaster that often occurs in coastal areas, mainly due to a combination of high tides, certain lunar phases, and extreme rainfall. This study aims to identify the potential for tidal flooding in the Surabaya Port area using Random Forest and Decision Tree classification algorithms. The data used include hydrometeorological parameters such as lunar phases, tides, and rainfall, obtained from the Tanjung Perak Maritime Meteorology Station in Surabaya. Before being modeled, the data went through pre-processing stages such as normalization and weighting to standardize the scale between variables and assess the level of contribution of each parameter. The model was developed by dividing the data into 80% training and 20% testing. The evaluation results of Random Forest showed an accuracy of 99.96% and Decision Tree at 99.94% with a very low error rate. Feature importance analysis showed that lunar phases and tides are the dominant factors in predicting tidal flooding, while rainfall has a minimal influence. These findings prove that Random Forest is an effective and reliable method for tidal flood classification and has the potential to be implemented in early warning systems. This study also recommends the integration of geographic data, such as soil vulnerability information, regional morphology, and surface elevation to improve the accuracy and generalization of future models.]]>
