Evaluasi Algoritma Decision Tree Random Forest K-Means untuk Klasifikasi Kerusakan Rumah Banjir

Khairil Hamdi; Yulia Fatmi; Delpima Suhita

doi:10.70038/jentik.v4i2.204

Authors

Khairil Hamdi Program Studi Sistim Informasi, Fakultas Ilmu Komputer, STMIK Jayanusa
Yulia Fatmi Program Studi Informatika, Departemen Teknik Eloktronika, Fakultas Tenik, Universitas Negeri Padang
Delpima Suhita Program Studi Teknik Mesin, Fakultas Teknik, Universitas Krisnadwipayana

DOI:

https://doi.org/10.70038/jentik.v4i2.204

Keywords:

banjir, klasifikasi kerusakan rumah, Decision Tree, Random Forest, K-Means, machine learning

Abstract

Penilaian tingkat kerusakan rumah pascabanjir diperlukan untuk membantu penentuan prioritas penanganan dan alokasi bantuan secara lebih terukur. Penelitian ini mengevaluasi tiga algoritma, yaitu Decision Tree, Random Forest, dan K-Means, pada dataset simulasi yang terdiri atas 120 rumah terdampak banjir di 19 kabupaten/kota di Sumatera Barat. Setiap data direpresentasikan oleh 11 indikator kondisi bangunan, meliputi kondisi bangunan, atap, rangka atap, kolom atau balok, dinding, lantai, langit-langit, instalasi listrik, serta pintu atau jendela. Kategori target dibagi menjadi rusak ringan, rusak sedang, dan rusak berat berdasarkan persentase kerusakan. Untuk algoritma supervised, data dibagi menjadi 96 data latih dan 24 data uji, sedangkan K-Means memproses seluruh data berdasarkan kemiripan fitur. Hasil menunjukkan bahwa Decision Tree menghasilkan akurasi tertinggi sebesar 79,17%, diikuti Random Forest sebesar 70,83%, dan K-Means sebesar 68,33%. Decision Tree mengklasifikasikan 30 rumah sebagai rusak ringan, 81 rusak sedang, dan 9 rusak berat.

References

. Kementerian Pekerjaan Umum dan Perumahan Rakyat Republik Indonesia, Peraturan Menteri PUPR Nomor 29/PRT/M/2018 tentang Standar Teknis Standar Pelayanan Minimal Pekerjaan Umum dan Perumahan Rakyat. Jakarta, Indonesia, 2018.

. Badan Nasional Penanggulangan Bencana, Peraturan Kepala BNPB Nomor 2 Tahun 2012 tentang Pedoman Umum Pengkajian Risiko Bencana. Jakarta, Indonesia, 2012.

. E. Rahmawati, C. E. Widodo, and S. Koesuma, “Machine learning for post-disaster building damage classification and rehabilitation recommendation: A review,” Jurnal Sisfokom (Sistem Informasi dan Komputer), vol. 15, no. 1, 2026, doi: 10.32736/sisfokom.v15i01.2532.

. J. R. Quinlan, “Induction of decision trees,” Machine Learning, vol. 1, pp. 81–106, 1986, doi: 10.1007/BF00116251.

. L. Breiman, “Random forests,” Machine Learning, vol. 45, pp. 5–32, 2001, doi: 10.1023/A:1010933404324.

. J. MacQueen, “Some methods for classification and analysis of multivariate observations,” in Proc. 5th Berkeley Symp. Mathematical Statistics and Probability, vol. 1, Berkeley, CA, USA: University of California Press, 1967, pp. 281–297.

. Pedregosa et al., “Scikit-learn: Machine learning in Python,” Journal of Machine Learning Research, vol. 12, pp. 2825–2830, 2011.

. S. Hadi, Sistem E-MTQ Terintegrasi [Software], 2021. [Online]. Available: https://e-mtq.com/

. Anisha, K. Malavika, K. Erfana, K. Dheeraj, A. Subahan, S. Raj, S. Mangalathu, and R. Davis, “Flood damage assessment using machine-learning methods,” 2022.

. S. Al Shafian and D. Hu, “Integrating machine learning and remote sensing in disaster management: A decadal review of post-disaster building damage assessment,” Buildings, vol. 14, no. 8, Art. no. 2344, 2024, doi: 10.3390/buildings14082344.

. C.-F. Liu, L. Huang, K. Yin, S. Brody, and A. Mostafavi, “FloodDamageCast: Building flood damage machine learning and data augmentation,” arXiv preprint arXiv:2405.14232, 2024. [Online]. Available: https://arxiv.org/abs/2405.14232

. S. Hadi, “Penerapan IoT pada smart farming,” 2025.