<![CDATA[Banjir merupakan bencana alam paling dominan di Indonesia yang menyebabkan kerugian jiwa dan ekonomi secara masif setiap tahunnya, sehingga dibutuhkan sistem klasifikasi kondisi wilayah yang akurat untuk mendukung peringatan dini. Penelitian ini mengintegrasikan data curah hujan harian dari 460 stasiun BMKG periode 2020 hingga 2025, rekaman kejadian banjir dari BNPB-DIBI, serta fitur geospasial turunan dari DEM GLO-30 dan citra SAR Sentinel-1 sebagai masukan model. Enam model klasifikasi dibangun dan dibandingkan secara sistematis, yaitu XGBoost, LightGBM, dan CatBoost sebagai baseline beserta ketiganya yang dioptimasi menggunakan Particle Swarm Optimization (PSO). Hasil penelitian menunjukkan bahwa CatBoost baseline tampil sebagai model terbaik sebelum optimasi, sementara PSO-LightGBM berhasil melampaui seluruh model dengan F1 Macro tertinggi sebesar 0,5433 dan Recall Macro sebesar 0,5350 setelah optimasi diterapkan. Optimasi PSO terbukti efektif meningkatkan performa LightGBM dan XGBoost, namun memberikan dampak negatif pada CatBoost yang konfigurasi dasarnya sudah mendekati optimal untuk dataset ini. Analisis SHAP mengonfirmasi bahwa Runoff Potential sebagai fitur rekayasa berbasis domain hidrologi menjadi penentu prediksi paling dominan, diikuti oleh fitur elevasi dan backscatter SAR yang membuktikan kontribusi signifikan integrasi data remote sensing terhadap kemampuan diskriminasi model.]]>
Copyrights © 2026
