Penerapan Model XGBoost untuk Prediksi Curah Hujan
Tahun 2026 · Penulis: Salzabila Qurrota A’yun Arganitya
Faculty of Mathematics and Natural Sciences, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/14084
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Curah hujan merupakan salah satu unsur penting dalam siklus hidrologi yang berperan dalam berbagai sektor, seperti pertanian, pengelolaan sumber daya air, transportasi, serta mitigasi bencana hidrometeorologi. Karakteristik curah hujan yang dipengaruhi oleh berbagai faktor meteorologi menyebabkan pola data bersifat kompleks, fluktuatif, dan nonlinier, sehingga diperlukan metode prediksi yang mampu menangkap hubungan tersebut secara akurat. Salah satu metode yang memiliki kemampuan dalam memodelkan hubungan nonlinier adalah Extreme Gradient Boosting (XGBoost), yaitu algoritma machine learning berbasis teknik boosting yang dikenal memiliki tingkat akurasi tinggi serta kemampuan generalisasi yang baik. Penelitian ini menggunakan data iklim harian yang bersumber dari National Aeronautics and Space Administration (NASA) pada Stasiun Meteorologi Maritim Perak 2 Surabaya dengan periode pengamatan 1 Januari 2000 hingga 14 November 2025 sebanyak 9.450 data. Variabel yang digunakan meliputi lama penyinaran, temperatur, kelembapan, dan kecepatan angin sebagai variabel prediktor, serta curah hujan sebagai variabel target. Tahapan penelitian diawali dengan penanganan missing value menggunakan interpolasi dan normalisasi data menggunakan metode Min-Max Normalization. Selanjutnya, data dibagi ke dalam empat skema pembagian data, yaitu 60:40, 70:30, 80:20, dan 90:10 untuk data pelatihan dan pengujian. Model XGBoost dibangun melalui proses hyperparameter tuning guna memperoleh kombinasi parameter terbaik, kemudian dievaluasi menggunakan metrik Root Mean Squared Error (RMSE). Hasil penelitian menunjukkan bahwa model XGBoost mampu memberikan performa prediksi yang baik pada seluruh skema pembagian data. Nilai RMSE yang diperoleh berturut-turut sebesar 8,6435 pada skema 60:40, 9,1931 pada skema 70:30, 10,2041 pada skema 80:20, dan 12,4215 pada skema 90:10. Nilai RMSE terkecil diperoleh pada skema 60:40 yang menunjukkan tingkat kesalahan prediksi paling rendah dibandingkan skema lainnya. Selain itu, hasil visualisasi memperlihatkan bahwa pola data hasil prediksi mampu mengikuti pola data aktual dengan cukup baik. Berdasarkan hasil tersebut, dapat disimpulkan bahwa model XGBoost efektif digunakan untuk memprediksi curah hujan harian dengan memanfaatkan variabel meteorologi yang digunakan dalam penelitian. Skema pembagian data 60:40 menghasilkan kinerja terbaik sehingga dapat menjadi alternatif yang dipertimbangkan dalam pengembangan model prediksi curah hujan pada penelitian selanjutnya.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,902
Tahun 2026 · Penulis: Aldila Muraya Paniculata Marisca
Model Hybrid SARIMAX-LSTM untuk Peramalan Curah Hujan di Kabupaten Banyuwangi
Penelitian ini bertujuan memprediksi curah hujan menggunakan model hybrid SARIMAX-LSTM. Data yang digunakan berupa data deret waktu dalam rentang periode 1 Januari 2000 hingga 30 Oktober 2025 dan dikumpulkan dari laman resmi NASA POWER. Variabel yang digunakan
- Cosine 0,876
Tahun 2026 · Penulis: Husamuddin Qais
Prediksi Curah Hujan Berbasis Long Short-Term Memory (LSTM) untuk Mendukung Implementasi Teknologi Pertanian
Curah hujan merupakan salah satu faktor penting yang memengaruhi keberhasilan sektor pertanian karena berkaitan langsung dengan ketersediaan air, pola tanam, serta pengelolaan lahan pertanian. Perubahan pola curah hujan yang tidak menentu dapat menyebabkan ber
- Cosine 0,857
Tahun 2024 · Penulis: Badriah Ramadhani
Pemodelan Hujan Aliran Menggunakan Software Hеc-Hms Berdasarkan Data Curah Hujan Satelit Chirps pada DAS Mayang
Pemodelan hujan menjadi aliran dapat digunakan untuk menilai debit air yang mengalir di sungai dengan menggunakan informasi hujan yang didapatkan dari stasiun hujan pada Daerah Aliran Sungai (DAS). Salah satu solusi dari kendala hilangnya data hujan pada stasi