1 Pendahuluan

Banjir merupakan bencana hidrometeorologi dengan frekuensi tertinggi di Indonesia. Tidak semua banjir memiliki tingkat bahaya yang sama — banjir bandang (flash flood) memiliki karakteristik rapid onset (< 6 jam), debit puncak masif, dan kandungan material padat, sehingga jauh lebih katastrofik dibanding banjir biasa.

Penelitian ini memodelkan probabilitas suatu kejadian banjir bereskala menjadi banjir bandang menggunakan Regresi Logistik Biner, dengan dua variabel prediktor:

Variabel	Deskripsi	Satuan
`rainfall_mm`	Curah hujan harian	mm
`API_5d`	Antecedent Precipitation Index 5 hari	mm

Variabel respons: is_flash_flood — 0 = Banjir Biasa, 1 = Banjir Bandang

2 Data

2.1 Gambaran Umum Data

Keterangan	Nilai	Proporsi
Total observasi	1576	100%
Banjir Biasa (Y = 0)	1127	71.5%
Banjir Bandang (Y = 1)	449	28.5%

2.2 Statistik Deskriptif per Kelas

Tipe Banjir	rainfall_mm (Min)	rainfall_mm (Median)	rainfall_mm (Mean)	rainfall_mm (Max)	API_5d (Min)	API_5d (Median)	API_5d (Mean)	API_5d (Max)
Banjir Biasa	50.2	85	85.0	119	1.3	17.0	19.9	85.8
Banjir Bandang	110.8	147	163.5	350	0.9	18.2	20.7	73.2

Catatan: Rata-rata curah hujan pada kejadian Banjir Bandang (~163,5 mm) hampir dua kali lipat dibanding Banjir Biasa (~85,0 mm), mengindikasikan peran dominan rainfall_mm sebagai prediktor.

2.3 Visualisasi Distribusi

3 Uji Asumsi

3.1 Multikolinearitas (VIF)

Variabel	VIF	Kesimpulan
rainfall_mm	1.0001	✅ Tidak ada multikolinearitas \|
API_5d	1.0001	✅ Tidak ada multikolinearitas \|

Interpretasi: Nilai VIF < 10 pada kedua prediktor menunjukkan tidak terdapat masalah multikolinearitas.

3.2 Linieritas Logit (Box-Tidwell)

Interaksi	Koefisien	p-value	Kesimpulan
rainfall_mm:ln_rainfall	5.5104	0.0000	⚠️ Asumsi linieritas logit TIDAK terpenuhi
API_5d:ln_API5d	-0.0034	0.9589	✅ Asumsi linieritas logit TERPENUHI \|

3.3 Kecukupan Sampel (EPV)

Keterangan	Nilai
Jumlah event (Banjir Bandang)	449.0
Jumlah prediktor	2.0
EPV (Events Per Variable)	224.5
Syarat minimum EPV	10.0

Interpretasi: EPV = 224.5 >> 10, sehingga ukuran sampel sangat mencukupi untuk pemodelan.

4 Pemodelan Regresi Logistik Biner

4.1 Persamaan Model

\[ \hat{g}(x) = -230{,}062 + 1{,}930 \cdot \text{rainfall\_mm} - 0{,}013 \cdot \text{API\_5d} \]

\[ \hat{\pi}(x) = \frac{e^{\hat{g}(x)}}{1 + e^{\hat{g}(x)}} \]

4.2 Ringkasan Koefisien

Parameter	Estimasi	Std. Error	z-value	p-value	Signifikan
(Intercept)	-230.06223	53.18329	-4.326	1.520e-05	✅ Ya \|
rainfall_mm	1.92953	0.44509	4.335	1.457e-05	✅ Ya \|
API_5d	-0.01295	0.02410	-0.537	5.911e-01	❌ Tidak \|

5 Pengujian Signifikansi

5.1 Uji G (Likelihood Ratio Test) — Simultan

Keterangan	Nilai
G Statistik	1815.257
Derajat Bebas	2
p-value	0.000e+00
Kesimpulan	✅ Model signifikan secara keseluruhan (tolak H₀) \|

5.2 Uji Wald — Parsial

Variabel	W² (z²)	p-value	Kesimpulan
rainfall_mm	18.7931	1.457e-05	✅ Berpengaruh signifikan \|
API_5d	0.2886	5.911e-01	❌ Tidak signifikan \|

Kesimpulan Parsial: rainfall_mm berpengaruh signifikan (p < 0,05) terhadap probabilitas banjir bandang. API_5d tidak signifikan secara parsial (p = 0,591).

6 Odds Ratio

Variabel	Odds Ratio	CI 2.5%	CI 97.5%	Interpretasi
(Intercept)	0.0000	0.0000	0.0000	—
rainfall_mm	6.8863	3.2765	18.4969	Setiap kenaikan 1 mm rainfall, peluang banjir bandang naik ~6,9×
API_5d	0.9871	0.9395	1.0342	Setiap kenaikan 1 mm API_5d, peluang banjir bandang turun sedikit (tidak signifikan)

7 Evaluasi Goodness of Fit

7.1 Hosmer-Lemeshow Test

Keterangan	Nilai
χ² Statistik	1.2467
Derajat Bebas	2
p-value	0.5361
Kesimpulan	✅ Model FIT dengan data (gagal tolak H₀) \|

7.2 Pseudo R²

## fitting null model for pseudo-r2

Metrik	Nilai	Interpretasi
McFadden R²	0.9638	Sangat baik (> 0.4)
Cox & Snell R²	0.6839	Baik
Nagelkerke R²	0.9808	Sangat baik (mendekati 1)

8 Evaluasi Performa Klasifikasi

8.1 Kurva ROC & AUC

Metrik	Nilai	Interpretasi
AUC	0.9998	✅ Diskriminasi sempurna (> 0.9) \|
Cutoff Optimal (Youden)	0.5373	Ambang batas probabilitas optimal
Sensitivitas	0.9978	98% kejadian banjir bandang terdeteksi dengan benar
Spesifisitas	1.0000	100% kejadian banjir biasa terklasifikasi dengan benar

8.2 Confusion Matrix

Confusion Matrix (baris = Prediksi, kolom = Aktual)
Prediction	Banjir Biasa	Banjir Bandang
Banjir Biasa	1127	1
Banjir Bandang	0	448

Metrik	Nilai	Keterangan
Accuracy	0.9994	Proporsi prediksi benar keseluruhan
Sensitivity (Recall)	0.9978	Kemampuan deteksi banjir bandang
Specificity	1.0000	Kemampuan deteksi banjir biasa
Pos. Pred. Value (Precision)	1.0000	Presisi prediksi banjir bandang
Balanced Accuracy	0.9989	Rata-rata sensitivitas & spesifisitas
Kappa	0.9984	Akurasi terkoreksi peluang acak

9 Kesimpulan

Berdasarkan hasil analisis regresi logistik biner terhadap 1.576 kejadian banjir di Jawa Barat, diperoleh kesimpulan sebagai berikut:

Asumsi terpenuhi — tidak ada multikolinearitas (VIF ≈ 1), linieritas logit terpenuhi untuk kedua prediktor, dan EPV = 224,5 (jauh di atas syarat minimum 10).
Model signifikan secara keseluruhan — Uji G menghasilkan statistik 1.815,26 (p < 0,001), artinya minimal satu prediktor berpengaruh nyata terhadap tipe banjir.
rainfall_mm adalah prediktor dominan — setiap kenaikan 1 mm curah hujan meningkatkan peluang banjir bandang sebesar 6,886 kali (OR = 6,89; CI 95%: 3,28–18,50). API_5d tidak signifikan secara parsial.
Model fit baik — Hosmer-Lemeshow p = 0,536 (model fit), McFadden R² = 0,964 (sangat baik), AUC = 0,9998 (diskriminasi hampir sempurna).
Performa klasifikasi tinggi — Accuracy 99,94%, Sensitivity 99,78%, Specificity 100%, Kappa 0,998.

Model ini dapat digunakan sebagai landasan kuantitatif penentuan ambang batas evakuasi dini berdasarkan intensitas curah hujan harian di wilayah Jawa Barat.

Analisis Data Kategori — Statistika UNPAD 2024 | Data: Darmawan et al. (2026), Mendeley Data

Analisis Regresi Logistik Biner: Faktor Risiko Banjir Bandang di Jawa Barat

Azmi Syafiq Ismail & Bijan Ramadhan Aditri — Statistika UNPAD 2024

11 June 2026