Komparasi Metode Gradient Boosting dan Metode Random Forest Untuk Prediksi Curah Hujan

Kintan Febiola; Savitri Savitri

doi:10.31004/riggs.v5i2.13866

Authors

Kintan Febiola Universitas Pamulang
Savitri Savitri Universitas Pamulang

DOI:

https://doi.org/10.31004/riggs.v5i2.13866

Keywords:

Gradient Boosting, Random Forest, Prediksi Curah Hujan, Machine Learning, Data Meteorologi

Abstract

Curah hujan di wilayah Tangerang Selatan memiliki pola yang berubah-ubah sehingga sulit diprediksi secara tepat. Penelitian ini bertujuan membandingkan metode Gradient Boosting dan Random Forest untuk memprediksi curah hujan berdasarkan data meteorologi wilayah Tangerang Selatan periode 2024–2026. Data diperoleh dari BMKG Wilayah II dan terdiri atas 707 record harian. Variabel yang digunakan meliputi rata-rata suhu udara (TAVG), rata-rata kelembapan udara (RH_AVG), lama penyinaran matahari (SS), kecepatan angin maksimum (FF_X), kecepatan angin rata-rata (FF_AVG), tekanan udara (Pressure), dan curah hujan sebagai target. Penelitian menggunakan pendekatan kuantitatif dan eksperimen. Data dibagi menjadi 565 data training dan 142 data testing dengan rasio 80:20. Evaluasi menggunakan Mean Absolute Error (MAE), Root Mean Square Error (RMSE), dan R². Gradient Boosting memperoleh MAE 7,956, RMSE 18,175, dan R² 0,032, sedangkan Random Forest memperoleh MAE 7,886, RMSE 18,021, dan R² 0,048. Hasil menunjukkan bahwa Random Forest memiliki performa komparatif lebih baik, meskipun nilai R² kedua model masih rendah sehingga kemampuan dalam menjelaskan variasi curah hujan masih terbatas.

Downloads

Download data is not yet available.

References

[1] W. Indrasari and H. Suhendar, “ANALISIS MODEL PREDIKSI CUACA MENGGUNAKAN SUPPORT VECTOR MACHINE , GRADIENT BOOSTING , RANDOM FOREST , DAN,” vol. XII, pp. 119–128, 2024.

[2] E. Pitaloka et al., “Penerapan Machine Learning untuk Prediksi Bencana Banjir,” vol. 01, 2024, doi: 10.21456/vol14iss1pp62-76.

[3] I. Maulita et al., “Analisis Komparatif Linear Regression , Random Forest , dan Gradient Boosting untuk Prediksi Banjir Comparative Analysis of Linear Regression , Random Forest , and Gradient Boosting Algorithms in Flood Probability Prediction,” vol. 4, no. 8, pp. 369–379, 2024.

[4] P. A. Saputra, S. S. Irawan, R. Prianto, and T. Hidayat, “PREDIKSI DAN ANALISIS POLA PERUBAHAN IKLIM,” vol. 13, no. 2, 2025.

[5] M. Alvines et al., “KOMPARASI RIDGE REGRESSION , RANDOM FOREST , DAN GRADIENT BOOSTING UNTUK PREDIKSI CURAH HUJAN HARIAN DI SUMATRA SELATAN BERBASIS TIME SERIES CROSS-VALIDATION,” vol. 9, no. 4, pp. 5742–5748, 2025.

[6] D. Sangaji and T. Sutabri, “E ISSN : 2809-4069 Analisis XGBoost dan Random Forest untuk Prediksi Curah Hujan dalam Mendukung Mitigasi Karhutla,” vol. 5, no. 1, pp. 13–18, 2025.

[7] H. Gani, A. D. Damayanti, M. M. Mubarak, and H. Gani, “Model Pembelajaran Mesin Yang Dapat Dijelaskan Untuk Menjelaskan Parameter Iklim Yang Berpengaruh Berdasarkan Prediksi Curah Hujan,” vol. 15, no. 2, pp. 98–110, 2024.

[8] D. P. Diyani, E. R. Sriwijayanti, and R. Gustrianysah, “KOMPUTA : Jurnal Ilmiah Komputer dan Informatika Prediksi Curah Hujan Berbasis Regresi Polinomial Menggunakan Data Historis Cuaca Polynomial Regression Based Rainfall Prediction Using Historical Weather Data KOMPUTA : Jurnal Ilmiah Komputer dan Informatika,” vol. 14, no. 2, pp. 6–13, 2025, doi: 10.34010/komputa.v14i2.

[9] J. Nasional, S. Informasi, I. Hapsari, and S. Pandya, “Evaluasi Model Prediksi Curah Hujan Berbasis Machine Learning di Kota Bandung,” vol. 02, pp. 136–143, 2025.

[10] C. Gde and L. Pringandana, “A Comparative Analysis of Hyperparameter-Tuned XGBoost and LightGBM for Multiclass Rainfall Classification in Jakarta,” vol. 6, no. 4, pp. 2467–2483, 2025.

[11] J. Ilmiah, S. Informasi, A. Aprilia, A. B. Wahidin, and P. K. Karo, “Perbandingan Algoritma Machine Learning ( Logistic Regression , SVM , KNN , Decision Tree , Random Forest , dan Gradient Boosting ) dalam Prediksi Hujan Harian di Provinsi Lampung Ketersediaan data meteorologi yang berkembang seiring dengan berkembangnya Teknik Machine Learning ( ML ). Machine Learning menjadi salah satu pendekatan yang baik dalam memodelkan fenomena lingkungan khusunya atmosfer . Algoritma ML memberikan berbagai model Machine Learning yaitu Logistic Regression , Support Vector Machine , K-Nearest,” vol. 5, no. November, 2025.

[12] A. F. Istianto, A. I. Hadiana, and F. R. Umbara, “PREDIKSI CURAH HUJAN MENGGUNAKAN METODE CATEGORICAL BOOSTING ( CATBOOST ),” vol. 7, no. 4, pp. 2930–2937, 2023.

[13] D. Lusiyanti, S. Musdalifah, A. Sahari, and I. Al Fajri, “EVALUASI KINERJA ALGORITMA MACHINE LEARNING PADA DATASET SKALA BESAR,” vol. 07, no. 01, pp. 84–92, 2025.

[14] N. H. Setyawan and N. Wakhidah, “Analisis Perbandingan Metode Logistic Regression, Random Forest, Gradient Boosting Untuk Prediksi Diabetes,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 10, no. 1, pp. 150–162, 2025, doi: 10.29100/jipi.v10i1.5743.

[15] I. Taufiq, T. Azhima, Y. Siswa, and W. J. Pranoto, “Model Optimasi Random Forest dengan PSO-CHI-SM dalam Mengatasi High Dimensional dan Imbalanced Data Banjir Kota Samarinda,” vol. 7, no. 3, 2024, doi: 10.32493/jtsi.v7i3.41632.