STUDI ABLASI XGBOOST UNTUK KLASIFIKASI RISIKO BANJIR PERKOTAAN MENGGUNAKAN KARAKTERISTIK DRAINASE DAN DATA CURAH HUJAN CHIRPS

Abstract

Banjir perkotaan merupakan bencana yang semakin sering terjadi di Indonesia akibat urbanisasi dan perubahan pola curah hujan. Model klasifikasi risiko banjir umumnya mengandalkan variabel topografi dan hidrologi, namun jarang mengintegrasikan kondisi infrastruktur drainase. Praktisi sering menerapkan preprocessing kompleks pada model XGBoost tanpa memvalidasi kontribusi individual setiap langkah, sehingga belum diketahui apakah seleksi fitur, oversampling, dan optimasi hyperparameter benar-benar meningkatkan performa. Penelitian ini mengevaluasi pengaruh tiga komponen preprocessing terhadap performa XGBoost melalui studi ablasi enam skenario. Klasifikasi dilakukan pada 3.471 titik drainase di Kota Malang menggunakan 53 fitur dari data drainase dan curah hujan satelit CHIRPS (2019–2025). Enam skenario menguji seleksi fitur (Pearson+VIF+RFE), BorderlineSMOTE, dan tuning Optuna TPE secara individual maupun kombinatif. Model baseline tanpa preprocessing mencapai performa terbaik (F1 Macro 0,8167; Akurasi 0,8763). Seluruh intervensi justru menurunkan performa. Analisis SHAP mengidentifikasi frekuensi hari hujan dan interaksi curah hujan-kemiringan sebagai prediktor utama.