Banjir merupakan bencana tahunan yang berisiko terjadi di kota Balikpapan. Berdasarkan data profil wilayah kota Balikpapan dapat diketahui bahwa sebesar 85% merupakan wilayah yang berbukit, dan sisanya merupakan daerah datar yang dekat dengan Daerah Aliran Sungai. Beberapa kelurahan tercatat memiliki rekam kejadian banjir yang cukup tinggi yaitu Kelurahan Damai Bahagia, Kelurahan Karang Joang, Kelurahan Teritip, dan Kelurahan Sumber rejo.
Risiko banjir meningkat seiring dengan meningkatnya populasi penduduk di Balikpapan yang tidak diiringi dengan penataan sistem irigasi dan tata wilayah yang baik. Meningkatnya peran Balikpapan untuk mendukung pembangunan Ibu Kita Negara (IKN) Nusantara, dapat memicu pertumbuhan migrasi penduduk yang cukup tinggi. Selain itu, dengan adanya perubahan cuaca ekstrim yang dapat dipicu oleh pemanasan global, dapat meningkatkan potensi risiko banjir di Balikpapan.
Berdasarkan permasalahan tersebut, tim peneliti Institut Teknologi Kalimantan yang terdiri dari Primadina Hasanah, M.Sc. (Dosen Ilmu Aktuaria), Mega Silfiani, M.Si.,M.Sc. (Dosen Statistika), Farida Nur Hayati, M.Stat (Dosen Statistika) serta melibatkan tim mahasiswa dari program studi Ilmu Aktuaria pada tahun 2024 telah melaksanakan analisis terhadap kejadian banjir di Balikpapan. Penelitian ditujukan untuk dapat memperoleh model prediksi banjir berdasarkan kondisi cuaca di kota Balikpapan. Penelitian in mendapatkan dana hibah penelitian dari LPPM ITK pada tahun 2024 dalam skema Riset Pendukung IKN.
Banjir dapat terjadi akibat curah hujan yang cukup tinggi. Berdasarkan data kategori curah hujan yang dipublikan oleh Badan Meteorologi Klimatologi dan Geofisika (BMKG), hujan lebat memiliki intensitas 50-100 mm/hari, hujan sangat lebat 100-150 mm/hari, dan hujan ekstrim >150 mm/hari. Berdasarkan data curah hujan harian Balikpapan dari tahun 2021-2023 (Gambar 1) dapat diketahui bahwa terdapat cukup banyak kejadian hujan lebat di Balikpapan (>50 mm) dan beberapa hujan ekstrim (>150 mm)
Gambar 1. Profil Hujan Harian Balikpapan (2021-2023)
Berdasarkan data kejadian banjir di Balikpapan dari tahun 2021-2023, dapat diketahui bahwa banjir dapat terjadi karena hujan lebat yang terjadi pada hari tersebut, atau akumulasi hujan dari hari sebelumnya (curah hujan 2 harian). Perbandingan tersebut diberikan pada Gambar 2 berikut ini.
Gambar 2. Profil Curah Hujan Harian dan Curah Hujan 2 Harian
Berdasarkan Gambar 2, dapat dilihat pola curah hujan pada saat terjadi banjir di Balikpapan. Banjir dapat disebabkan oleh hujan yang turun pada hari tersebut, dan juga hujan yang turun pada hari sebelumnya. Beberapa hari banjir tercatat bahwa curah hujan pada hari tersebut melebihi 50 mm, dan beberapa melebihi 100 mm. Pada beberapa hari terjadi banjir namun dengan intensitas hujan kurang dari 50mm. Akan tetapi jika dilihat dari sisi curah hujan 2 harian, dapat diketahui bahwa banjir dapat dipicu jika akumulasi hujan dua harian mencapai 50 mm. Oleh karena itu, jika terjadi hujan lebat yang melebihi 50 mm per hari maka akan meningkatkan risiko banjir di Balikpapan.
Sementara itu, nilai variabel cuaca lainnya saat terjadi banjir di Balikpapan dapat dilihat pada tabel berikut.
Tabel 1. Perbandingan parameter cuaca saat terjadi banjir di Balikpapan
|
Parameter |
Temperatur Minimum |
Intensitas Matahari |
Kelembaban relatif |
Radiasi Matahari (GHI) |
Kecepatan Angin Maksimum |
|
Minimum |
22.4 |
0 |
79.5 |
1494.97 |
2 |
|
Maksimum |
26.1 |
10.5 |
95 |
6090.98 |
14 |
|
Rata-rata |
24.08 |
3.86 |
87.57 |
3946.04 |
3.93 |
|
Standar Deviasi |
0.84 |
2.63 |
3.56 |
1282.80 |
2.18 |
Pada tabel 1 terlihat bahwa saat terjadi banjir, temperature minimum pada hari tersebut dapat mencapai 22.4 0C, dan rata-rata tercatat pada kisaran 24 0C. Sementara itu, intensitas matahari tercatat di bawah 10%, dengan nilai radiasi minimal mencapai 1494.97 W/m2 dan kecepatan angin maksimal dapat mencapai 14 knot. Hipotesis awal penelitian diasumsikan bahwa parameter cuaca tersebut memiliki korelasi yang cukup kuat. Akan tetapi pada penelitian ini, beberapa variabelcuaca tersebut tetap disertakan pada pemodelan agar dapat melihat variabel apa yang signifikan untuk digunakan dalam model prediksi.
Pengembangan model prediksi banjir dilakukan menggunakan metode Regresi Logistik, dimana variabel respon yang digunakan (Y) didefinisakn sebagai variabel biner Y=0 (tidak banjir) dan Y=1 ( banjir) . Pengembangan model prediksi dilakukan dengan menggunakan data historis banjir harian dari tahun 2021 hingga tahun 2023. Berdasarkan data tersebut diperoleh bahwa dari 3 tahun tersebut, proporsi terjadinya banjir hanya sekitar 2%. Oleh karena itu, banjir masuk dalam kategori extreme rare event di Balikpapan. Sehingga, dalam proses persiapa data, dilakukan resampling data dengan menerapkan teknik bootstrapping agar diperoleh data yang balance pada variabel dependen.
Variabel penjelas atau explanantory variable yang digunakan tidak hanya dari faktor curah hujan, akan tetapi melibatkan faktor cuaca lainnya seperti suhu udara, intensitas radiasi matahari (Global Horrizontal Irradiation/ GHI), kecepatan angin, dan kelembaban relatif. Berdasarkan analisis yang dilakukan, faktor-faktor yang signifikan untuk dapat digunakan sebagai prediktor banjir yaitu suhu udara minimum, kelembaban udara, curah hujan, dan intensitas radiasi matahari. Model regresi logistik terbaik yang diperoleh yaitu;
logitY=lnπ1-π=-72.8+1.34 Suhu Minimum+0.427Kelembaban relatif+0.124Curah Hujan+0.00023GHI
Aplikasi penggunaan model tersebut yaitu, jika diberikan suhu minimum 240C, kelembaban 80%, curah hujan 60 mm, dan GHI sebesar 4500Wm2 , maka peluang terjadi banjir yaitu sebesar 88.8%. Sedangkan makna dari koefisien regresi dari masing-masing variabel mencerminkan nilai odds ratio yaitu perbandingan antara peluang banjir dan tidak banjir. Misalnya pada koefisien curah hujan diperoleh nilai 0.124, maka jika curah hujan naik sebesar 1 mm (dengan mengasumsikan variabel lain konstan) maka akan mengalikan nilai odds banjir menjadi e0.124=1.13 kali.
Selain menggunakan pendekatan regresi logistik, teknik lain yang dapat digunakan untuk pengembangan model prediski banjir adalah dengan menggunakan metode Artificial Neural Network (ANN). ANN merupakan salah satu teknik di machine learning yang dapat digunakan untuk memodelkan klasifikasi.
Pada model ANN, akan ditemukan model arsitektur sebagaimana jaringan syaraf tiruan untuk memprediski banjir berdasarkan variabel penjelas yang digunakan. Sebagai contoh, berikut pola arsitektur ANN untuk prediksi banjir dengan melibatkan variabel yang signifikan dari proses regresi logistik yang telah dilakukan.
Gambar 3. Model ANN 1
Arsitektur ANN yang digunakan menerapkan feed forward neural network, dengan 2 hidden layer dimana pada hidden layer pertama terdapat 2 neuron, dan hidden layer kedua 1 neuron. Arsitektur ini menghasilkan akurasi sebesar 87.62% dengan Positive Prediction Value sebesar 50%, dan Negative Prediction Value 89%. Positive prediction merupakan nilai ketepatan model untuk memprediksikan true positive (dalam kasus ini ketepatan prediksi banjir). Sedangkan nilai negative prediction merupakan ketepatan ukuran true negative.
Pada analisis data yang dilakukan, model ANN terbaik dengan menggunakan 4 prediktor tersebut diperoleh dengan arsitektur sebagai berikut.
Gambar 4. Model ANN 2
Akurasi yang diperoleh dari model ANN 2 dengan 2 hidden layer dengan tiga dan 1 neuron yaitu sebesar 90.09%. Pada model tersebut, nilai true positive sebesar 50%, dan nilai true negative sebesar 91.64%. Nilai ini lebih baik dari pada arsitektur sebelumnya (model 1).
Pada penelitian ini, telah dilakukan beberapa pendekatan lain seperti mengurangi jumlah variabel independen yang digunakan dengan beberapa pendekatan arsitektur ANN yang berbeda. Sebagai contoh bila variabel yang digunakan sebagai prediksi hanya curah hujan dan suhu minimum, akurasi yang diperoleh sebesar 87.31% (dengan true positive 75% dan true negative 87.8%). Arsitektur model tersebut adalah sebagai berikut.
Gambar 5. Model ANN 3
Tujuan yang ingin dicapai pada penelitian ini yaitu menemukan model yang mampu memberikan akurasi tinggi khususnya pada nilai true positive, karena jika nilai true positive besar maka model memiliki ketepatan yang cukup baik untuk prediksi banjir. Oleh karena itu, berdasarkan pendapat dari tim peneliti, model ANN yang terbaik adalah model yang terakhir. Curah Hujan dan Suhu Minimum dapat digunakan sebagai prediktor yang baik untuk mengestimasi probabilitas kejadian banjir di Balikpapan.
Penelitian ini masih memiliki limitasi pada beberapa hal, diantaranya adalah hasil yang diperoleh ini merupakan studi kasus untuk kota Balikpapan. Pada kota atau daerah lain, dimungkinkan terdapat perbedaan model. Selain itu, pengembangan model ini masih dapat terus ditingkatkan dengan mengimplementasikan teknik pendekatan lain. Model dapat terus dilatih dengan menambahkan data-data historis yang lebih banyak sehingga akurasi model akan terus dikoreksi menggunakan data-data yang terbaru.
1. Memahami pola perubahan cuaca dan data historis kejadian banjir di daerah penyangga IKN, khususnya di kota Balikpapan sebagai pintu gerbang utama menuju IKN.
2. Memahami dampak perubahan cuaca terhadap probabilitas terjadinya banjir di Balikpapan
3. Mengetahui model prediksi banjir berdasarkan trigger cuaca di Balikpapan
4. Model prediksi dapat digunakan sebagai early warning system untuk mitigasi banjir di Balikpapan