[10 Juni 2025], Banjir perkotaan akibat hujan ekstrem semakin sering terjadi dan menimbulkan dampak besar terhadap keselamatan manusia, infrastruktur, dan perekonomian. Perubahan iklim global, urbanisasi yang pesat, serta keterbatasan sistem drainase membuat kota-kota lebih rentan terhadap genangan mendadak. Selama ini, model numerik berbasis proses fisik digunakan untuk memprediksi banjir, namun metode tersebut membutuhkan waktu komputasi yang lama sehingga sulit memenuhi kebutuhan sistem peringatan dini yang cepat dan real-time. Di sisi lain, perkembangan teknologi machine learning membuka peluang baru untuk menghadirkan prediksi genangan yang lebih cepat. Tantangan utamanya adalah keterbatasan data pelatihan dan pemilihan algoritma yang sesuai dengan karakteristik pola hujan yang berbeda.

Untuk mengatasi keterbatasan data, digunakan model gabungan hidrologi-hidrodinamika yang memiliki akurasi tinggi dalam mensimulasikan aliran dan genangan di area perkotaan. Model ini menghasilkan data dalam jumlah besar yang kemudian dijadikan set pelatihan bagi algoritma machine learning. Selanjutnya, dilakukan analisis kinerja beberapa algoritma ML pada berbagai pola hujan, termasuk hujan berpuncak tunggal, berpuncak ganda, dan hujan merata. Algoritma yang diuji antara lain Ridge, K-Nearest Neighbor (KNN), dan Random Forest (RF), yang dipilih karena memiliki parameter relatif sedikit, kecepatan komputasi tinggi, dan akurasi prediksi yang baik.

Hasil uji menunjukkan bahwa kombinasi model fisik dengan machine learning mampu menghasilkan prediksi genangan secara cepat dan akurat. Untuk pola hujan berpuncak tunggal, algoritma Ridge memberikan hasil terbaik dengan mean absolute percentage error (MAPE) sebesar 5,32%. Pada pola hujan berpuncak ganda, algoritma KNN lebih unggul dengan MAPE 7,73%. Sementara itu, pada pola hujan merata, algoritma RF menghasilkan akurasi tertinggi dengan MAPE 2,49%. Sistem ini mampu memprediksi genangan pada area seluas 3,68 km² hanya dalam waktu 14,07 detik. Dibandingkan dengan model hidrodinamika murni, pendekatan ini jauh lebih efisien tanpa mengorbankan ketepatan hasil. Temuan ini memperlihatkan bahwa pemilihan algoritma machine learning yang tepat sesuai pola hujan sangat penting untuk mengoptimalkan prediksi. Integrasi ini tidak hanya mempercepat perhitungan tetapi juga meningkatkan fleksibilitas sistem dalam menghadapi variasi pola curah hujan ekstrem.

Integrasi model hidrologi-hidrodinamika dengan algoritma machine learning menghadirkan terobosan dalam prediksi cepat genangan perkotaan. Dengan menyesuaikan algoritma yang digunakan pada pola hujan tertentu, sistem ini mampu memberikan hasil dengan tingkat akurasi tinggi dalam waktu yang jauh lebih singkat dibandingkan metode konvensional. Pendekatan ini berpotensi menjadi solusi efektif untuk mendukung sistem peringatan dini, meminimalkan risiko kerugian, serta meningkatkan kapasitas kota dalam menghadapi bencana hidrometeorologi yang kian intens akibat perubahan iklim.

Referensi

• Chen, G., Hou, J., Liu, Y., Xue, S., Wu, H., Wang, T., Lv, J., Jing, J., & Yang, S. (2024). Urban inundation rapid prediction method based on multi-machine learning algorithm and rain pattern analysis. Journal of Hydrology, 633, 131059. https://doi.org/10.1016/j.jhydrol.2024.131059.