Prediksi Curah Hujan Kota Bogor Menggunakan Random Forest, XGBoost, dan SVR Berdasarkan Parameter Meteorologi

Abstract

Curah hujan merupakan salah satu parameter meteorologi yang memiliki pengaruh besar terhadap berbagai aktivitas dan berpotensi memicu bencana hidrometeorologi, khususnya di Kota Bogor yang dikenal memiliki intensitas curah hujan tinggi. Penelitian ini bertujuan untuk membandingkan performa algoritma Random Forest Regression, XGBoost Regression, dan Support Vector Regression (SVR) dalam memprediksi curah hujan serta menentukan model terbaik untuk melakukan forecasting. Data yang digunakan berupa data meteorologi yang terdiri atas temperatur, kelembapan, lama penyinaran matahari, dan kecepatan angin. Tahapan penelitian meliputi preprocessing data, feature engineering, pembagian data training dan testing, pelatihan model, serta evaluasi menggunakan metrik Mean Absolute Error (MAE), Root Mean Square Error (RMSE), dan koefisien determinasi (R²). Hasil penelitian menunjukkan bahwa SVR memberikan performa terbaik dengan nilai MAE sebesar 2.7473, RMSE sebesar 4.8255, dan R² sebesar 0.9277, lebih baik dibandingkan Random Forest dan XGBoost. Model SVR kemudian digunakan untuk melakukan forecasting curah hujan 30 hari ke depan di Kota Bogor. Hasil forecasting menunjukkan bahwa curah hujan cenderung berada pada kategori tidak hujan hingga hujan sangat ringan, dengan beberapa peningkatan pada hari-hari tertentu. Temuan ini menunjukkan bahwa SVR mampu memodelkan hubungan non-linear pada data meteorologi secara efektif dan menghasilkan prediksi curah hujan yang akurat.