MODEL PREDIKSI RISIKO BANJIR PADA AREA PLTM GREEN LAHAT MENGGUNAKAN ALGORITMA XGBOOST

Abstract

Banjir merupakan salah satu faktor yang dapat mengganggu operasional Pembangkit Listrik Tenaga Minihidro (PLTM) akibat peningkatan debit sungai dan potensi kerusakan infrastruktur. Pada PLTM Green Lahat, pemantauan banjir masih dilakukan secara konvensional sehingga deteksi dini risiko banjir belum optimal. Penelitian ini bertujuan membangun model prediksi risiko banjir menggunakan algoritma Extreme Gradient Boosting (XGBoost). Metode yang digunakan adalah Knowledge Discovery in Databases (KDD) yang terdiri dari tahapan data selection, preprocessing, transformation, data mining, dan evaluation.Dataset yang digunakan sebanyak 182 data historis PLTM Green Lahat yang meliputi data curah hujan dan tinggi saluran transisi. Risiko banjir diklasifikasikan ke dalam tiga kategori yaitu rendah, sedang, dan tinggi. Evaluasi model dilakukan menggunakan metrik Accuracy, Precision, Recall, F1-Score dan RMSE. Hasil penelitian menunjukkan bahwa model XGBoostmemperoleh nilai accuracy sebesar 78,38%, precision sebesar 81%, recall sebesar 78%, F1-score sebesar 79% dan RMSE sebesar 0,5927. Hasil tersebut menunjukkan bahwa algoritmaXGBoost mampu mengklasifikasikan risiko banjir dengan baik dan berpotensi digunakan sebagai sistem pendukung keputusan dalam pemantauan dan mitigasi banjir pada area PLTMGreen Lahat.