Penerapan Model XGBoost untuk Prediksi Curah Hujan

Abstract

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.