Industri otomotif di kawasan Jabodetabek rentan terhadap gangguan logistik akibat banjir yang kerap terjadi setiap musim hujan. Banjir tidak hanya merusak infrastruktur fisik, tetapi juga mengganggu kelancaran distribusi komponen dari pemasok ke OEM, sehingga berdampak pada kelangsungan produksi. Meskipun beberapa perusahaan telah menerapkan strategi mitigasi, pendekatan yang berbasis data spasial dan prediktif masih terbatas. Oleh karena itu, diperlukan integrasi teknologi spasial dan analitik digital untuk memahami, memprediksi, dan merespons dampak banjir secara lebih akurat dan proaktif.
Penelitian ini bertujuan untuk mengintegrasikan GIS dan analitik digital dalam membangun rantai pasok industri otomotif yang lebih resilien terhadap banjir. Secara spesifik, penelitian ini bertujuan memetakan intensitas banjir historis di lokasi fasilitas rantai pasok di Jabodetabek, mengembangkan model prediktif banjir untuk mengidentifikasi potensi gangguan terhadap distribusi logistik, dan mensimulasikan skenario jalur distribusi dan pemasok alternatif guna mengurangi risiko keterlambatan akibat banjir.
Metodologi yang digunakan menggabungkan pendekatan kuantitatif berbasis data spasial dan pemodelan prediktif. Data banjir diperoleh melalui citra Sentinel-1 dan diolah menggunakan metode Score-Based Flood Detection. Model prediksi dikembangkan dengan algoritma XGBoost, Random Forest, dan SVM berbasis variabel topografi, hidrologi, lingkungan, dan iklim. Sementara itu, simulasi jalur distribusi dilakukan menggunakan Graph Convolutional Network yang menggabungkan struktur jaringan jalan dan hasil prediksi banjir untuk menghasilkan rekomendasi rute logistik aman dan alternatif pemasok.
Pola distribusi banjir di kawasan Jabodetabek menunjukkan konsentrasi spasial yang tinggi di Kota Bogor, Kab Tangerang, dan Kab Bekasi. Sekitar 50% fasilitas rantai pasok terletak di wilayah banjir dengan frekuensi >15 kali. Model XGBoost menunjukkan kinerja prediktif terbaik dengan akurasi 84% dan ROC-AUC 0,87. Analisis feature importance mengungkapkan bahwa ketinggian dan curah hujan adalah faktor dominan dalam prediksi banjir. Simulasi GCN berhasil mengidentifikasi jalur distribusi alternatif dan pemasok cadangan yang dapat menghindari area terdampak banjir, sehingga meningkatkan ketahanan sistem logistik secara signifikan.
Kontribusi penelitian ini terletak pada integrasi metodologi spasial dan digital yang komprehensif untuk membangun sistem manajemen risiko rantai pasok yang proaktif. Temuan ini memberikan rekomendasi strategis bagi perusahaan otomotif untuk mengintegrasikan data risiko bencana ke dalam perencanaan jaringan rantai pasok, serta mengembangkan strategi diversifikasi pemasok dan jalur distribusi. Disarankan agar industri dan pemerintah memperkuat investasi pada sistem peringatan dini berbasis GIS serta mengembangkan kebijakan diversifikasi rantai pasok berbasis risiko spasial untuk meningkatkan resiliensi industri terhadap bencana hidrometeorologis di masa depan.
Kata kunci: Disrupsi Transportasi, Graph Convolutional Network, Machine Learning, Manajemen Risiko Bencana, Mitigasi Risiko Logistik, XGBoost