Analisis Komparatif Linear Regression, Random Forest, dan Gradient Boosting untuk Prediksi Banjir
DOI:
https://doi.org/10.52436/1.jpti.599Keywords:
gradient boosting, model machine learning, prediksi probabilitas banjir, regresi linier, random forestAbstract
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.
Downloads
References
S. N. Jonkman dan J. K. Vrijling, “Loss of Life Due to Floods,” J. Flood Risk Manag., 2008, doi: 10.1111/j.1753-318x.2008.00006.x.
S. N. Jonkman, M. Kok, dan J. K. Vrijling, “Flood Risk Assessment in the Netherlands: A Case Study for Dike Ring South Holland,” Risk Anal., 2008, doi: 10.1111/j.1539-6924.2008.01103.x.
Y. Qian, Y. Wang, dan N. Li, “Extreme Flood Disasters: Comprehensive Impact and Assessment,” Water, 2022, doi: 10.3390/w14081211.
B. Roy, J. U. Khan, A. K. M. Saiful Islam, K. Mohammed, dan Md. J. U. Khan, “Climate-Induced Flood Inundation for the Arial Khan River of Bangladesh Using Open-Source SWAT and HEC-RAS Model for RCP8.5-SSP5 Scenario,” Sn Appl. Sci., 2021, doi: 10.1007/s42452-021-04460-4.
W. H. Mobley, A. Sebastian, R. Blessing, W. E. Highfield, L. Stearns, dan S. D. Brody, “Quantification of Continuous Flood Hazard Using Random Forest Classification and Flood Insurance Claims at Large Spatial Scales: A Pilot Study in Southeast Texas,” Nat. Hazards Earth Syst. Sci., 2021, doi: 10.5194/nhess-21-807-2021.
J.-Y. Lee dan B.-H. Kim, “Scenario-Based Real-Time Flood Prediction With Logistic Regression,” Water, 2021, doi: 10.3390/w13091191.
S. Nevo dkk., “Flood Forecasting With Machine Learning Models in an Operational Framework,” Hydrol. Earth Syst. Sci., 2022, doi: 10.5194/hess-26-4013-2022.
A. Faruq, S. F. M. Hussein, A. Marto, dan S. S. Abdullah, “Flood River Water Level Forecasting Using Ensemble Machine Learning for Early Warning Systems,” Iop Conf. Ser. Earth Environ. Sci., 2022, doi: 10.1088/1755-1315/1091/1/012041.
J. Liu dkk., “Editorial: Spatial Modelling and Failure Analysis of Natural and Engineering Disasters Through Data-Based Methods,” Front. Earth Sci., 2022, doi: 10.3389/feart.2022.1000540.
J. PUNGCHING dan S. PILAILAR, “Developing a Flood Forecasting System With Machine Learning and Applying to Geographic Information System,” Geogr. Tech., 2022, doi: 10.21163/gt_2023.181.01.
Y. Chen, X. Zhang, K. Yang, S. Zeng, dan A. Hong, “Modeling Rules of Regional Flash Flood Susceptibility Prediction Using Different Machine Learning Models,” Front. Earth Sci., 2023, doi: 10.3389/feart.2023.1117004.
I. Maulita dan A. Wahid, “Prediksi Magnitudo Gempa Menggunakan Random Forest, Support Vector Regression, XGBoost, LightGBM, dan Multi-Layer Perceptron Berdasarkan Data Kedalaman dan Geolokasi (Predicting Earthquake Magnitude Using Random Forest, Support Vector Regression, XGBoost, LightGBM, and Multi-Layer Perceptron Based on Depth and Geolocation Data),” J. Pendidik. Dan Teknol. Indones., vol. 4, hlm. 221–232, Mei 2024, doi: 10.52436/1.jpti.470.
I. Maulita, N. R. Prasetyaningsih, U. Pratiwi, dan A. Azimi, “ANALISIS SECOND VERTICAL DERIVATIVE DATA GRAVITASI UNTUK MENGINTERPRETASIKAN STRUKTUR BAWAH PERMUKAAN DAERAH LEMBANG,” J. Ilmu Fis. Dan Ter., vol. 11, no. 2, Art. no. 2, Okt 2024, doi: 10.21831/fisika.
Y. Xu, “Flood Forecasting Method and Application Based on Informer Model,” Water, vol. 16, no. 5, hlm. 765, 2024, doi: 10.3390/w16050765.
S. Hitouri, “Flood Susceptibility Mapping Using SAR Data and Machine Learning Algorithms in a Small Watershed in Northwestern Morocco,” Remote Sens., vol. 16, no. 5, hlm. 858, 2024, doi: 10.3390/rs16050858.
R. Kondo, B. Du, Y. Narusue, dan H. Morikawa, “Machine Learning Framework Supervised by Hydraulic Mechanical Models for Real-Time Pluvial Flood Prediction,” J. Inf. Process., vol. 31, no. 0, hlm. 256–264, 2023, doi: 10.2197/ipsjjip.31.256.
G. K. Wedajo, “Integrating Satellite Images and Machine Learning for Flood Prediction and Susceptibility Mapping for the Case of Amibara, Awash Basin, Ethiopia,” Remote Sens., vol. 16, no. 12, hlm. 2163, 2024, doi: 10.3390/rs16122163.
S. Janizadeh dkk., “Prediction Success of Machine Learning Methods for Flash Flood Susceptibility Mapping in the Tafresh Watershed, Iran,” Sustainability, vol. 11, no. 19, hlm. 5426, 2019, doi: 10.3390/su11195426.
