Prediksi Curah Hujan Kota Bogor Menggunakan Algoritma Random Forest
DOI:
https://doi.org/10.52958/jsia.v3i1.12459Abstract
Kota Bogor merupakan salah satu wilayah di Indonesia dengan intensitas curah hujan yang tinggi sepanjang tahun. Tingginya curah hujan tersebut menjadi salah satu faktor penyebab terjadinya bencana seperti banjir dan tanah longsor. Pengembangan model prediksi curah hujan menjadi kebutuhan penting untuk mendukung perencanaan dan mitigasi risiko bencana oleh pemerintah daerah Kota Bogor. Penelitian ini bertujuan untuk membangun model prediksi curah hujan harian. Rancangan penelitian menggunakan metodologi Knowledge Discovery in Database (KDD) dengan algoritma Random Forest sebagai metode utama dalam analisis. Model Random Forest diterapkan dengan penyesuaian Quantile Transform dan Grid Search untuk memperoleh nilai parameter terbaik. Hasil penyesuaian menunjukkan bahwa kinerja model optimal dengan bootstrap:True, n_estimators: 500, max_depth: 5, dan max_features: sqrt. Model diuji menggunakan K-Fold Cross Validation pada beberapa nilai K = 3, 5, 7, 10, dan 15 yang diukur berdasarkan selisih antara nilai prediksi dan aktual. Nilai K = 15 menunjukkan tingkat kesalahan terendah dengan RMSE sebesar 21,92 mm dan MAE sebesar 15,21 mm.
References
Molle, B. A., & Larasati, A. F. (2020). Analisis Anomali Pola Curah Hujan Bulanan Tahunan Tahun 2019 Terhadap Normal Curah Hujan (30 Tahun) di Kota Manado dan Sekitarnya. Jurnal Meteorologi Klimatologi Dan Geofisika, 7(1).
BPBD Kota Bogor. (2020). Riwayat Kejadian Bencana. Badan Penanggulangan Bencana Daerah.
BNPB. (2024). Data Informasi Bencana Indonesia. Badan Nasional Penanggulangan Bencana. https://dibi.bnpb.go.id/.
Milanović, S., Milanović, S. D., Marković, N., Pamučar, D., Gigović, L., & Kostić, P. (2021). Forest Fire Probability Mapping in Eastern Serbia: Logistic Regression Versus Random https://doi.org/10.3390/f12010005.
Dewi, D. A., Wei, A. S., Lin, L. C., & Heng, C. D. (2024). Water Quality Prediction using Random Forest Algorithm and Optimization. Journal of Applied Data Sciences, 5(3), 1354-1362.
Nhu, V. H., Shahabi, H., Nohani, E., Shirzadi, A., Al-Ansari, N., Bahrami, S., Miraki, S., Geertsema, M., & Nguyen, H. (2020). Daily Water Level Prediction of Zrebar Lake (Iran): A Comparison Between M5p, Random Forest, Random Tree and Reduced Error Pruning Trees Algorithms. ISPRS International of Geo-Information, 9(8). https://doi.org/10.3390/ijgi9080479.
Alzu’bi, F., Al-Rawabdeh, A., & Almagbile, A. (2024). Predicting air quality using random forest: A case study in Amman-Zarqa. The Egyptian Journal of Remote Sensing and Space Sciences, 27(3), 604-613.
