Pengembangan Model Prediksi Kerugian Banjir di Provinsi Gorontalo Menggunakan Machine Learning Menggunakan Support Vector Regression
Kata Kunci:
Prediksi Kerugian Banjir, Support Vector Regression, Bencana Banjir, Support Vector Machine, Mitigasi BencanaAbstrak
Prediksi kerugian ekonomi akibat banjir secara akurat merupakan aspek krusial dalam mendukung perencanaan mitigasi bencana yang efektif di Provinsi Gorontalo. Penelitian ini mengusulkan Penggunaan Support Vector Regression (SVR). Data kejadian banjir historis periode 2010–2024 diperoleh dari instansi pemerintah terkait dan digunakan sebagai dasar analisis. Pada tahap pertama, Data dinormalisasi menggunakan Standard Scaler dan One-hot Encoding untuk tranformasi fitur kategorikal. selanjutnya pada tahap kedua, yaitu pembangunan model prediksi kerugian menggunakan SVR. Model akan dilatih menggunakan beberapa skenario untuk mendapat hasil RMSE dan R2 tertinggi. Hasil pengujian menunjukkan bahwa model SVR yang RMSE sebesar Rp686.073.887 dan R² sebesar 0,7091. Temuan ini mengindikasikan bahwa model SVR cukup andal dalam memprediksi kerugian akibat banjir menggunakan data-data historis. Model yang dihasilkan berpotensi menjadi alat pendukung keputusan yang informatif bagi para pemangku kepentingan dalam merancang strategi mitigasi dan respons banjir yang lebih terarah dan berbasis data.
Unduhan
Referensi
Abdulsalam, H. A., & Güney, H. (2025). Investigating the Impact of One-Hot Encoding on Classification Performance and Time Complexity for Efficient Network Intrusion Detection. Hittite Journal of Science and Engineering, 12(4), 197–207. https://doi.org/10.17350/HJSE19030000366
Asl, S. R., Rahman, A., Tate, E., Lehman, W., & Wing, O. (2025). Social vulnerability correlates of flood risk to crops and buildings. Natural Hazards, 121(7), 8137–8158. https://doi.org/10.1007/s11069-025-07137-y
BABURA, B. I., Bulama, L. M., & Umar, D. A. (2025). Box-K-Means symbolic data analysis: A k-means algorithm for boxplot variables with application to global climate Variability. Journal of Statistical Sciences and Computational Intelligence, 1(3), 157–165. https://doi.org/10.64497/jssci.12
Chicco, D., Warrens, M. J., & Jurman, G. (2021). The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation. PeerJ Computer Science, 7, e623. https://doi.org/10.7717/peerj-cs.623
Dufera, A. G., Liu, T., & Xu, J. (2023). Regression models of Pearson correlation coefficient. Statistical Theory and Related Fields, 7(2), 97–106. https://doi.org/10.1080/24754269.2023.2164970
Gao, J. (2024). R-Squared (R 2 ) – How much variation is explained? Research Methods in Medicine & Health Sciences, 5(4), 104–109. https://doi.org/10.1177/26320843231186398
Khan, M., Hooda, B. K., Gaur, A., Singh, V., Jindal, Y., Tanwar, H., Sharma, S., Sheoran, S., Vishwakarma, D. K., Khalid, M., Albakri, G. S., Alreshidi, M. A., Choi, J. R., & Yadav, K. K. (2024). Ensemble and optimization algorithm in support vector machines for classification of wheat genotypes. Scientific Reports, 14(1), 22728. https://doi.org/10.1038/s41598-024-72056-0
Laban, S., Hazairin, H., Nugraha, F., & Fajeriana, N. (2025). Pemodelan Hidrograf untuk Menilai Pengaruh Perubahan Penggunaan Lahan Terhadap Karakteristik Aliran Sungai Di Sub-DAS Tanralili, Sulawesi Selatan. Jurnal Penelitian Pengelolaan Daerah Aliran Sungai, 1. https://doi.org/10.59465/jppdas.2025.9.1.1-22
Nourali, Z., & Shortridge, J. E. (2026). Predicting the impact of extreme weather on agricultural losses in the Delmarva peninsula using multi-step machine learning and financial crop loss data. Stochastic Environmental Research and Risk Assessment, 40(1), 13. https://doi.org/10.1007/s00477-025-03157-z
Oo, T. Z., & Humphries, U. W. (2026). Hydrological modeling of flood impacts under land use and land cover change: A systematic review of tools, trends, and challenges. MethodsX, 16, 103724. https://doi.org/10.1016/j.mex.2025.103724
Pinheiro, J. M. H., Oliveira, S. V. B. de, Silva, T. H. S., Saraiva, P. A. R., Souza, E. F. de, Godoy, R. V., Ambrosio, L. A., & Becker, M. (2025). The Impact of Feature Scaling in Machine Learning: Effects on Regression and Classification Tasks. IEEE Access, 13, 199903–199931. https://doi.org/10.1109/ACCESS.2025.3635541
Rainio, O., Teuho, J., & Klén, R. (2024). Evaluation metrics and statistical tests for machine learning. Scientific Reports, 14(1), 6086. https://doi.org/10.1038/s41598-024-56706-x
Suaif, A., & Sylvianti Rahayu, E. (2025). Analisis Faktor Dan Pola Kejadian Banjir Di Bandar Lampung Menggunakan Arima, Random Forest, Dan Xgboost. Jurnal Teknologi Komputer Dan Informatika, 3(2). https://doi.org/10.59820/tekomin.v3i2.339
Sudrajat, R., Hadiana, A. I., & Melina, M. (2025). Evaluasi Kualitas Klaster Wilayah Rawan Bencana Menggunakan K-Means dengan Silhouette dan Elbow Method. Jurnal Algoritma, 22(2), 127–139. https://doi.org/10.33364/algoritma/v.22-2.2379
Wei, S., Zhou, Q., Luo, Z., She, Y., Wang, Q., Chen, J., Qu, S., & Wei, Y. (2023). Economic impacts of multiple natural disasters and agricultural adaptation measures on supply chains in China. Journal of Cleaner Production, 418, 138095. https://doi.org/10.1016/j.jclepro.2023.138095
