Perpustakaan Digital ITB

Kekeringan merupakan salah satu bencana hidrometeorologi di Indonesia yang dampaknya diperparah oleh variabilitas iklim global seperti El Niño-Southern Oscillation (ENSO) dan Indian Ocean Dipole (IOD). Bencana ini secara signifikan mengancam sektor vital seperti pertanian, ketahanan pangan, dan ketersediaan sumber daya air bersih. Kebutuhan akan sistem peringatan dini yang akurat menjadi sangat mendesak untuk mitigasi risiko tersebut. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model prediksi kekeringan jangka pendek yang andal menggunakan algoritma Machine Learning. Metodologi penelitian ini menggunakan algoritma Random Forest Regressor dengan data iklim bulanan dari reanalisis ERA5, serta indeks ONI dan DMI periode 1984–2024. Nilai Standardized Precipitation Index pada skala 1 dan 3 bulan (SPI- 1, SPI-3) digunakan sebagai variabel target yang akan diprediksi. Model dilatih dan dioptimasi secara terpisah untuk lima provinsi studi kasus yang dipilih untuk mewakili keragaman iklim Köppen di Indonesia. Validasi model dilakukan secara ketat menggunakan skema Time Series Cross-Validation (TSCV) untuk menjaga urutan waktu dan mencegah bias. Hasil evaluasi menunjukkan kinerja model yang sangat tinggi, dengan nilai Koefisien Determinasi (R2) pada periode validasi berada di rentang 0,92 hingga 0,99. Analisis multi-horizon mengungkap adanya dua klaster kinerja yang berbeda secara fundamental, dengan kinerja sangat tinggi di klaster Jawa dan NTT (R2 > 0,80), namun terbatas di Kalimantan Barat dan Sulawesi Selatan (R2 ? 0,3–0,5). Lebih jauh lagi, analisis feature importance mengungkapkan bahwa model secara cerdas menerapkan strategi prediksi ganda (berbasis curah hujan untuk SPI-1 dan persistensi untuk SPI-3) serta mampu beradaptasi dengan iklim lokal. Penelitian ini menyimpulkan bahwa Random Forest adalah metode yang sangat akurat dan dapat diinterpretasikan, dengan potensi operasional yang kuat untuk diintegrasikan dalam sistem peringatan dini nasional.