Optimasi Prediksi Bencana Banjir Menggunakan Teknik Smote Berbasis Algortima Naive Bayes

Abstract

Banjir merupakan salah satu bencana alam yang memberikan dampak signifikan terhadap kehidupan sosial, ekonomi, dan infrastruktur. Peningkatan intensitas curah hujan akibat perubahan iklim global serta sistem drainase yang tidak memadai menjadi faktor utama penyebab banjir di berbagai wilayah. Oleh karena itu, kemampuan untuk memprediksi banjir secara dini menjadi hal yang krusial dalam upaya mitigasi risiko. Penelitian ini mengembangkan model klasifikasi banjir berbasis algoritma Naive Bayes yang dipadukan dengan teknik Synthetic Minority Over-sampling Technique (SMOTE) untuk mengatasi ketidakseimbangan data antara kelas banjir dan non-banjir. Proses analisis dilakukan dengan pendekatan CRISP-DM yang mencakup enam tahapan: pemahaman bisnis, pemahaman data, persiapan data, pemodelan, evaluasi, dan implementasi. Dataset yang digunakan merupakan data historis curah hujan wilayah Kerala, India, periode 1901–2018 yang diperoleh dari platform Kaggle. Evaluasi performa model dilakukan menggunakan metrik Accuracy, Precision, Recall, F1-Score, dan Hamming Loss. Hasil penelitian menunjukkan bahwa kombinasi Naive Bayes dan SMOTE mampu meningkatkan sensitivitas model terhadap kejadian banjir, serta memberikan kontribusi dalam pengembangan sistem peringatan dini bencana yang lebih efektif dan andal.