Bencana hidrometeorologi seperti banjir dan cuaca ekstrem menjadi tantangan utama di Indonesia, terutama akibat tingginya variasi curah hujan dan iklim tropis. Informasi prediksi cuaca dan peringatan dini banjir yang akurat sangat dibutuhkan untuk mitigasi risiko dan mendukung pengambilan keputusan. Penelitian ini bertujuan mengembangkan sistem prediksi cuaca multi-skala (real-time dan mingguan) untuk 34 provinsi di Indonesia, serta sistem peringatan risiko banjir untuk wilayah Daerah Istimewa Yogyakarta (DIY) dan Jawa Barat, berbasis model ensemble machine learning.
Data penelitian terdiri atas data cuaca historis dari BMKG, data kejadian banjir dari BNPB, serta data real-time dari API OpenWeatherMap, dan OpenStreetMap pada rentang tahun 2018–2023. Tahapan penelitian meliputi pembersihan data, rekayasa fitur, pelatihan model Random Forest, XGBoost, dan LightGBM, tuning threshold untuk penanganan data tidak seimbang, serta ensemble voting untuk meningkatkan performa prediksi. Evaluasi model dilakukan menggunakan metrik akurasi, presisi, recall, F1-score (untuk klasifikasi banjir), serta MAE, RMSE, dan R² (untuk regresi cuaca). Seluruh model terintegrasi dalam aplikasi web berbasis Flask.
Hasil pengujian menunjukkan bahwa metode ensemble mampu menghasilkan prediksi cuaca yang presisi dan peringatan banjir yang adaptif meskipun menghadapi tantangan data banjir yang sangat tidak seimbang. Sistem yang dibangun diharapkan dapat memberikan kontribusi nyata dalam mendukung mitigasi bencana dan perencanaan aktivitas di Indonesia.