ANALISIS KOMPARATIF MODEL RANDOM FOREST, LSTM, DAN HYBRID RF-LSTM DENGAN DATA AUGMENTED & FEATURES ENGINEERING UNTUK IMBALANCE DATA PADA SISTEM PERINGATAN DINI BENCANA BANJIR

Abstract

Fenomena bencana banjir yang terus meningkat memerlukan sistem peringatan dini yang presisi sebagai upaya preventif untuk mengurangi dampak yang ditimbulkan. Dalam pengembangannya, prediksi banjir berbasis machine learning menghadapi tantangan utama berupa karakteristik data meteorologi yang bersifat non-linear, memiliki ketergantungan temporal, serta distribusi data yang tidak seimbang. Penelitian ini bertujuan untuk mengevaluasi dan membandingkan kinerja tiga model, yaitu Random Forest (RF), Long Short Term Memory (LSTM), dan model Hybrid RF-LSTM dalam memprediksi kejadian banjir. Data yang digunakan berasal dari data BMKG Kabupaten Pasuruan yang diproses melalui data augmentation untuk mengatasi ketidakseimbangan kelas, dengan perbaikan rasio dari 1:11 menjadi 1:1,86 tanpa harus undersampling, serta didukung oleh proses feature engineering untuk memperkaya representasi data. Hasil eksperimen menunjukkan bahwa model Hybrid RF-LSTM memperoleh performa terbaik dengan nilai Accuracy sebesar 0,9667, Precision 1,0000, Recall 0,8333, F1-Score 0,9091, dan ROC-AUC 0,9792, yang menunjukkan kemampuannya dalam menangani dataset terbatas secara efektif. Sementara itu, model LSTM menunjukkan performa yang lebih rendah dengan Accuracy sebesar 0,7000 dan ROC-AUC 0,6696, yang mengindikasikan bahwa pendekatan deep learning cenderung kurang optimal pada kondisi dataset yang terbatas. Oleh karena itu, penelitian ini merekomendasikan penggunaan model Hybrid RF-LSTM atau Random Forest dalam sistem peringatan dini banjir pada kondisi data yang terbatas dan tidak seimbang