<![CDATA[Pemantauan debit air sungai merupakan komponen kritis dalam sistem peringatan dini banjir dan pengelolaan sumber daya air. Penelitian ini merancang dan mengimplementasikan sistem akuisisi data debit air sungai berbasis Internet of Things (IoT) menggunakan sensor aliran air YF-S201 yang terintegrasi dengan mikrokontroler ESP32, serta menerapkan dua algoritma regresi machine learning, yaitu Random Forest Regression (RF) dan XGBoost Regression (XGB), untuk memprediksi debit satu langkah ke depan. Dataset yang digunakan terdiri dari 1.488 rekaman dengan interval 30 menit sepanjang bulan Juli 2025, mencakup variabel FlowRate, Velocity, WaterLevel, DebitRiver, Rainfall, Temperature, serta fitur temporal dan fitur lag. Data dibagi secara kronologis menjadi tiga subset: pelatihan (70%, n = 1.042), validasi (15%, n = 223), dan uji (15%, n = 222). Hasil evaluasi menunjukkan bahwa XGBoost Regression mencapai kinerja yang lebih unggul dengan nilai MAE = 0,1692 m³/s, RMSE = 0,3429 m³/s, MAPE = 5,15%, dan R² = 0,9924 dibandingkan dengan Random Forest dengan MAE = 0,1791 m³/s, RMSE = 0,3498 m³/s, MAPE = 5,58%, dan R² = 0,9921. Kedua model menunjukkan akurasi tinggi (R² 0,99), dengan 82,9–85,6% prediksi menghasilkan absolute error di bawah 0,25 m³/s. XGBoost memberikan prediksi yang lebih presisi pada kondisi normal hingga sedang, sementara keduanya mengalami peningkatan error pada debit puncak ekstrem ( 10 m³/s). Sistem ini berpotensi menjadi infrastruktur dasar pemantauan sungai secara cerdas dan terotomasi untuk mendukung sistem peringatan dini banjir.]]>
Copyrights © 2026
