Evaluasi Algoritma Decision Tree Random Forest K-Means untuk Klasifikasi Kerusakan Rumah Banjir

Khairil Hamdi (Program Studi Sistim Informasi, Fakultas Ilmu Komputer, STMIK Jayanusa)
Yulia Fatmi (Program Studi Informatika, Departemen Teknik Eloktronika, Fakultas Tenik, Universitas Negeri Padang)
Delpima Suhita (Program Studi Teknik Mesin, Fakultas Teknik, Universitas Krisnadwipayana)

JENTIK
Vol. 4 No. 2 (2026): Jurnal Manajemen Teknologi Informatika (In Press)

Penilaian tingkat kerusakan rumah pascabanjir diperlukan untuk membantu penentuan prioritas penanganan dan alokasi bantuan secara lebih terukur. Penelitian ini mengevaluasi tiga algoritma, yaitu Decision Tree, Random Forest, dan K-Means, pada dataset simulasi yang terdiri atas 120 rumah terdampak banjir di 19 kabupaten/kota di Sumatera Barat. Setiap data direpresentasikan oleh 11 indikator kondisi bangunan, meliputi kondisi bangunan, atap, rangka atap, kolom atau balok, dinding, lantai, langit-langit, instalasi listrik, serta pintu atau jendela. Kategori target dibagi menjadi rusak ringan, rusak sedang, dan rusak berat berdasarkan persentase kerusakan. Untuk algoritma supervised, data dibagi menjadi 96 data latih dan 24 data uji, sedangkan K-Means memproses seluruh data berdasarkan kemiripan fitur. Hasil menunjukkan bahwa Decision Tree menghasilkan akurasi tertinggi sebesar 79,17%, diikuti Random Forest sebesar 70,83%, dan K-Means sebesar 68,33%. Decision Tree mengklasifikasikan 30 rumah sebagai rusak ringan, 81 rusak sedang, dan 9 rusak berat.