PENGGUNAAN MACHINE LEARNING UNTUK MEMPREDIKSI CURAH HUJAN BULANAN DI KOTA KENDARI: STUDI KOMPARATIF LINEAR REGRESSION, RANDOM FOREST, XGBOOST, DAN LONG SHORT-TERM MEMORY

Abstrak

Prediksi curah hujan yang akurat merupakan aspek penting dalam pengelolaan sumber daya air, mitigasi risiko bencana hidrometeorologi, serta perencanaan sektor pertanian, khususnya di wilayah tropis seperti Indonesia yang memiliki variabilitas curah hujan yang tinggi. Penelitian ini bertujuan untuk membandingkan kinerja empat algoritma machine learning, yaitu Linear Regression (LR), Random Forest (RF), Extreme Gradient Boosting (XGBoost), dan Long Short-Term Memory (LSTM), dalam memprediksi curah hujan bulanan di Kota Kendari yang berlokasi pada koordinat 3°57′36″ LS dan 122°37′12″ BT. Evaluasi performa model dilakukan menggunakan empat metrik statistik, yaitu Mean Absolute Error (MAE), Root Mean Square Error (RMSE), koefisien determinasi (R²), dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa model LR menghasilkan nilai tertinggi sebesar 0,2150 dan nilai RMSE terendah sebesar 97,05 mm, yang mengindikasikan kemampuan terbaik dalam menjelaskan variasi data dan meminimalkan kesalahan kuadrat rata-rata. Model RF memperoleh nilai MAPE terendah sebesar 68,43% serta menunjukkan keseimbangan performa yang paling baik secara keseluruhan. Model LSTM menghasilkan nilai MAE terendah sebesar 77,38 mm, namun memiliki nilai MAPE tertinggi sebesar 161,58%, yang mengindikasikan keterbatasan model dalam menangkap pola curah hujan secara konsisten pada dataset yang relatif terbatas. Sementara itu, model XGBoost menunjukkan performa terendah dengan nilai sebesar 0,0503, yang diduga disebabkan oleh kecenderungan overfitting terhadap data pelatihan. Berdasarkan hasil yang diperoleh, model Random Forest direkomendasikan sebagai model yang paling sesuai berdasarkan RMSE dan R², dan direkomendasikan sebagai model baseline yang efisien untuk prediksi curah hujan bulanan di Kota Kendari dengan keterbatasan data yang ada.

Kata kunci

• Curah hujan
• LSTM
• Machine Learning
• Random Forest
• XGBoost
• prediksi deret waktu