<![CDATA[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.]]>
