<![CDATA[Penelitian ini mengevaluasi tiga model machine learning—Linear Regression, Random Forest Regressor, dan Gradient Boosting Regressor—untuk memprediksi probabilitas banjir di India, dengan tujuan meningkatkan akurasi prediksi dan mendukung strategi mitigasi risiko banjir. Kinerja model dievaluasi menggunakan metrik Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan ????2. Hasil penelitian menunjukkan bahwa Linear Regression dan Gradient Boosting Regressor memiliki kinerja yang hampir setara, dengan MAE dan RMSE yang kompetitif. Namun, Linear Regression sedikit unggul dalam menjelaskan variabilitas probabilitas banjir berdasarkan nilai ????2. Sebaliknya, Random Forest Regressor menunjukkan kinerja yang lebih rendah, yang kemungkinan disebabkan oleh overfitting atau kurang optimalnya penyetelan parameter. Penelitian ini memberikan kontribusi penting terhadap peningkatan akurasi sistem peringatan dini dan pengelolaan risiko banjir berbasis data. Dengan menganalisis faktor-faktor utama yang memengaruhi probabilitas banjir, penelitian ini menawarkan wawasan yang dapat mendukung perencanaan intervensi yang lebih efektif, seperti pengelolaan sungai yang lebih baik dan perencanaan tata ruang perkotaan yang adaptif. Saran untuk penelitian mendatang meliputi eksplorasi algoritma tambahan, termasuk pendekatan pembelajaran mendalam, penerapan rekayasa fitur lanjutan, serta optimalisasi model menggunakan alat Automated Machine Learning (AutoML). Temuan ini berkontribusi pada pengembangan metode prediksi banjir yang lebih akurat dan efisien, serta memperkuat upaya mitigasi risiko banjir di masa depan.]]>
Copyrights © 2024
