Pemodelan Intensitas Keterpaparan Banjir di Sumatra Berbasis Penggerombolan Terbatas Spasial dengan Regresi LASSO dan Group LASSO

Abstract

Banjir merupakan bencana hidrometeorologi yang paling sering terjadi di Indonesia dan menimbulkan dampak yang signifikan, terutama di wilayah Sumatra. Kompleksitas faktor penyebab banjir serta adanya heterogenitas spasial antarwilayah menjadi tantangan dalam pemodelan intensitas keterpaparan banjir. Penelitian ini bertujuan mengelompokkan kabupaten/kota di Sumatra berdasarkan karakteristik fisik wilayah. Faktor-faktor yang memengaruhi intensitas keterpaparan banjir selanjutnya diidentifikasi menggunakan LASSO dan Group LASSO. Perbandingan kinerja dilakukan antara model LASSO dan Group LASSO yang dibangun dengan cluster maupun non-cluster. Data yang digunakan terdiri atas 150 kabupaten/kota di Sumatra tahun 2024 dengan 24 peubah penjelas. Pengelompokan wilayah dilakukan menggunakan ClustGeo dan menghasilkan empat cluster dengan karakteristik topografi dan klimatologi yang berbeda. Pemodelan LASSO dan Group LASSO diterapkan baik pada data keseluruhan maupun per cluster wilayah. Model berbasis cluster memberikan kinerja yang lebih baik dibandingkan model non-cluster. Model Cluster-LASSO menghasilkan kinerja terbaik dengan RMSE sebesar 0,114 dan nilai R-Square sebesar 63,6%. Hasil ini menunjukkan bahwa pengelompokan wilayah mampu meningkatkan kemampuan model dalam menjelaskan variasi intensitas keterpaparan banjir di Sumatra. Pengelompokan tersebut juga mampu mengidentifikasi faktor-faktor yang berbeda pada setiap karakteristik wilayah.

Flood is the most frequently occurring hydrometeorological disaster in Indonesia and has significant impacts, particularly in Sumatra. The complexity of flood-causing factors and the presence of spatial heterogeneity across regions pose challenges in modeling flood exposure intensity. This study aimed to classify regencies and municipalities in Sumatra based on their physical characteristics. The factors affecting flood exposure intensity were identified using Least Absolute Shrinkage and Selection Operator (LASSO) and Group LASSO. The performance of LASSO and Group LASSO models with and without regional clustering was compared. The data consisted of 150 regencies and municipalities in Sumatra in 2024 with 24 explanatory variables. Regional clustering was performed using ClustGeo and produced four clusters with distinct topographic and climatological characteristics. LASSO and Group LASSO models were applied to both the entire dataset and each regional cluster. The cluster-based models provide better performance than the non-cluster models. The Cluster-LASSO model achieved the best performance, with an RMSE of 0.114 and an R-Square of 63.6%. These findings indicate that regional clustering improves the model's ability to explain the variation in flood exposure intensity across Sumatra. Regional clustering also enables the identification of different influencing factors for each regional characteristic.