Integrasi Machine Learning dalam Pemetaan Risiko Banjir untuk Perencanaan Wilayah Adaptif Iklim di Daerah Aliran Sungai Takkalasi = Integration Of Machine Learning In Flood Risk Mapping For Climate-Adaptive Regional Planning In The Takkalasi Watershed

Latar belakang. Eskalasi frekuensi bencana hidrometeorologi akibat perubahan iklim menuntut transformasi paradigma manajemen bencana dari responsif menuju perencanaan tata ruang adaptif, urgensi ini sangat krusial pada wilayah dengan karakteristik respons hidrologi cepat (flashy response) yang belum memiliki instrumen mitigasi spasial presisi. Tujuan. Penelitian ini bertujuan memetakan kerawanan fisik secara akurat, menganalisis risiko terintegrasi, serta merumuskan arahan zonasi adaptif untuk mendukung ketahanan wilayah. Metode. pendekatan hibrida diterapkan dengan mengintegrasikan pemodelan spasial berbasis Machine Learning menggunakan algoritma Random Forest (RF) pada citra Sentinel-1 SAR (2019–2025) terhadap sepuluh variabel geo-fisik (meliputi parameter topografi, hidrologi, karakteristik lahan, iklim, dan antropogenik), yang dipadukan dengan analisis kerentanan sosial-ekonomi menggunakan metode Sistem Informasi Data Indeks Kerentanan (SIDIK) dalam menghasilkan risiko banjir. Interpretasi model dilakukan menggunakan Explainable AI (SHAP) untuk menjamin transparansi keputusan spasial dalam mengidentifikasi variable yang paling berpengaruh dalam terjadinya banjir. Hasil. validasi statistik menunjukkan model RF memiliki kinerja sangat tinggi dengan AUC 0,98 (98%) dan prediksi model dengan AUC 0,9445 (94,45%). Analisis SHAP mengungkap bahwa Indeks Vegetasi (NDVI) dan Kemiringan Lereng adalah determinan fisik paling dominan yang mengontrol sebaran genangan banjir, sementara curah hujan bertindak sebagai pemicu hidrometeorologis. Hasil analisis risiko banjir terintegrasi menemukan disparitas wilayah yang signifikan; Desa Binuang teridentifikasi sebagai hotspot risiko ekstrem (85,86 Ha) akibat defisit adaptasi, sedangkan Kelurahan Sepee menunjukkan resiliensi tinggi berkat kapasitas infrastruktur yang memadai. Kesimpulan. Berdasarkan profil risiko, penelitian ini merumuskan lima tipologi zonasi adaptif. Strategi Protect & Retreat (proteksi dan mundur terencana) direkomendasikan secara ketat untuk zona budidaya berisiko tinggi, sementara pengembangan wilayah masa depan diarahkan ke zona aman di Kelurahan Takkalasi dengan penerapan prinsip Climate-Smart Development. Penelitian ini memberikan landasan ilmiah berbasis data presisi bagi pemerintah daerah dalam revisi dokumen perencanaan yang berketahanan iklim.