Evaluasi Metode Shannon Entropy, Random Forest, dan Naïve Bayes untuk Penilaian Kerawanan Banjir di DAS Cisadane

Abstract

Banjir merupakan salah satu bencana yang paling sering terjadi di Indonesia, terutama di Provinsi Jawa Barat dan Banten selama periode 2020–2024. Meningkatnya frekuensi kejadian banjir menunjukkan pentingnya penyusunan peta kerawanan banjir yang akurat sebagai dasar perencanaan mitigasi. Daerah Aliran Sungai (DAS) Cisadane memiliki tingkat kerawanan banjir yang tinggi akibat interaksi antara kondisi topografi, karakteristik curah hujan, perubahan penggunaan lahan, dan meningkatnya aktivitas antropogenik. Namun, tidak ada satu pendekatan pemodelan pun yang secara konsisten memberikan kinerja terbaik di berbagai wilayah karena mekanisme terjadinya banjir dipengaruhi oleh variasi faktor lingkungan dan aktivitas manusia. Penelitian ini bertujuan untuk mengevaluasi dan membandingkan kinerja metode Shannon Entropy (SE), Random Forest (RF), dan Gaussian Naïve Bayes (GNB) dalam pemetaan kerawanan banjir di DAS Cisadane. Penelitian ini juga bertujuan untuk mengidentifikasi faktor-faktor pengondisi yang berpengaruh, mengevaluasi kemampuan generalisasi model melalui berbagai skema validasi, serta membandingkan model yang dikembangkan dengan pendekatan peta bahaya banjir nasional. Penelitian ini menggunakan data inventarisasi kejadian banjir dari BNPB periode 2020–2024 dan dua belas faktor pengondisi. Metode Frequency Ratio (FR) digunakan untuk mentransformasi variabel kategorik berdasarkan hubungan empirisnya dengan kejadian banjir. Model dikembangkan melalui seleksi fitur secara menyeluruh (exhaustive feature selection) yang dievaluasi menggunakan validasi silang lima lipatan (five-fold cross-validation). Model Random Forest dan Gaussian Naïve Bayes dioptimalkan menggunakan optimasi Bayesian dengan pendekatan Tree-structured Parzen Estimator. Kinerja model dievaluasi menggunakan skema validasi random sampling, temporal hold-out, dan spatial hold-out berdasarkan metrik AUC, akurasi, presisi, recall, dan F1-score. Evaluasi spasial dilakukan menggunakan hasil spatial hold-out untuk menilai kemampuan masing-masing model dalam merepresentasikan kerawanan banjir pada wilayah yang tidak digunakan dalam proses pelatihan. Hasil penelitian ini menunjukkan bahwa metode Random Forest memberikan kinerja yang paling konsisten dibandingkan metode lainnya, terutama pada skema spatial hold-out, dengan nilai AUC validasi sebesar 0,9521 dan recall sebesar 0,8525. Hasil tersebut menunjukkan bahwa RF mampu mengidentifikasi lokasi kejadian banjir dengan lebih baik, sehingga sesuai untuk pemetaan kerawanan yang berorientasi pada mitigasi. Analisis spasial juga menunjukkan bahwa RF menghasilkan distribusi tingkat kerawanan yang lebih sesuai dengan pola kejadian banjir historis dibandingkan dengan pendekatan lainnya. Faktor-faktor antropogenik, khususnya tutupan lahan, Normalized Difference Built-up Index (NDBI), dan jarak terhadap jalan, memberikan kontribusi yang signifikan terhadap pola kerawanan banjir di DAS Cisadane. Faktor-faktor tersebut mencerminkan pengaruh perkembangan kawasan terbangun dan peningkatan permukaan kedap air terhadap pembentukan limpasan. Dibandingkan dengan pendekatan BNPB yang lebih menitikberatkan pada karakteristik topografi dan aliran, model berbasis data mampu menangkap faktor-faktor tambahan yang berkaitan dengan kejadian banjir yang teramati. Penelitian ini menunjukkan bahwa Random Forest merupakan metode yang sesuai untuk pemetaan kerawanan banjir di DAS Cisadane karena mampu menangkap hubungan yang kompleks antara faktor-faktor lingkungan dan kejadian banjir. Peta kerawanan yang dihasilkan dapat menjadi informasi pendukung dalam upaya mitigasi banjir dan perencanaan tata ruang. Penelitian selanjutnya disarankan menggunakan data inventarisasi banjir dengan periode yang lebih panjang serta menambahkan variabel dinamis, seperti tinggi muka air sungai dan karakteristik sistem drainase, untuk meningkatkan representasi proses terjadinya banjir.

Flood is one of the most frequent disasters in Indonesia, particularly affecting West Java and Banten during 2020–2024. The increasing frequency of flood events emphasizes the importance of accurate flood susceptibility mapping to support mitigation planning. The Cisadane Watershed is highly susceptible to flooding due to the interaction between topographic conditions, rainfall characteristics, land-use changes, and increasing anthropogenic activities. However, no single modeling approach consistently provides the best performance across different regions, as flood mechanisms are influenced by varying environmental and human-related factors. This study aimed to evaluate and compare the performance of Shannon Entropy (SE), Random Forest (RF), and Gaussian Naïve Bayes (GNB) for flood susceptibility mapping in the Cisadane Watershed. The study also aimed to identify important conditioning factors, evaluate model generalization under different validation schemes, and compare the developed models with the national flood hazard approach. Flood inventory data from BNPB during 2020–2024 and twelve conditioning factors were used. Frequency Ratio (FR) was applied to transform categorical variables based on their empirical relationships with flood occurrence. The models were developed using exhaustive feature selection evaluated through five-fold cross-validation. Random Forest and Gaussian Naïve Bayes were optimized using Bayesian optimization with the Tree-structured Parzen Estimator approach. Model performance was assessed using random sampling, temporal hold-out, and spatial hold-out validation schemes based on AUC, accuracy, precision, recall, and F1-score metrics. Spatial evaluation was conducted using the spatial hold-out results to assess the ability of each model to represent flood susceptibility in unseen areas. The results showed that Random Forest provided the most consistent performance among the evaluated methods, particularly under the spatial hold-out scenario, with a validation AUC of 0.9521 and recall of 0.8525. This indicates that RF was able to identify observed flood locations more effectively, which is important for mitigation-oriented susceptibility mapping. Spatial analysis also showed that RF produced a susceptibility distribution that was more consistent with historical flood occurrences compared with other approaches. The results indicated that anthropogenic factors, particularly land cover, NDBI, and distance to roads, contributed significantly to flood susceptibility patterns in the Cisadane Watershed. These factors represent the influence of urban development and increased impervious surfaces on runoff generation. Compared with the BNPB approach, which mainly emphasizes topographic and flow-related characteristics, the data-driven models were able to capture additional factors associated with observed flood events. This study demonstrates that Random Forest is a suitable approach for flood susceptibility mapping in the Cisadane Watershed due to its ability to capture complex relationships between environmental factors and flood occurrence. The resulting susceptibility map provides valuable information to support flood mitigation and spatial planning. Future studies should incorporate longer flood inventories and additional dynamic variables, such as river water level and drainage characteristics, to improve the representation of flood processes.