Prediksi Curah Hujan di Kabupaten Rembang dengan Model Random Forest

  • Gilang Fibarkah Universitas Telkom
  • Maria Astri Tondang Universitas Telkom
  • Nabila Wafaa' Yulistyaningrum Universitas Telkom
  • Mahazam Afrad Universitas Telkom
Keywords: Curah Hujan, Regresi, Random Forest, RMSE, Rembang

Abstract

Penelitian ini bertujuan untuk memprediksi curah hujan di Kabupaten Rembang menggunakan model Random Forest. Kabupaten Rembang memiliki pola curah hujan yang fluktuatif, yang dapat menyebabkan bencana alam seperti banjir dan tanah longsor. Prediksi curah hujan yang lebih akurat menjadi sangat penting untuk mendukung mitigasi bencana dan perencanaan wilayah. Penelitian ini menggunakan dataset curah hujan di Kabupaten Rembang pada tahun 2021 yang terdiri dari 2445 data dari Badan Pusat Statistik. Setelah melalui tahapan pre-processing, dataset dibagi menjadi data latih dan data uji dengan proporsi 80:20. Model Random Forest kemudian dilatih dan diuji, menghasilkan tingkat kesalahan sebesar 42.60 berdasarkan Root Mean Square Error (RMSE) dan nilai R² sebesar 0.74. Kebaruan dari penelitian ini terletak pada penerapan metode Random Forest dalam konteks prediksi curah hujan di wilayah Rembang, yang belum banyak dieksplorasi sebelumnya. Hasil prediksi curah hujan untuk tahun 2022 dibandingkan dengan data tahun 2021 menunjukkan prediksi yang akurat. Penelitian ini diharapkan dapat membantu Pemerintah Kabupaten Rembang dalam mitigasi bencana alam pada wilayah dengan curah hujan tinggi.

 

Kata Kunci: curah hujan, regresi, random forest, RMSE, Rembang

References

[1] F. P. Kahar, K. Abidin, And R. Ilham, “Analisis Tingkat Intensitas Curah Hujan, Tekanan Udara Serta Suhu Udara Di Wilayah Paotere Makasaar Selama Periode Tahun 2022,” Jurnal Sains Fisika, Vol. 4, No. 1, Pp. 27–36, 2024.
[2] Moh. S. R. Bahtiari And M. D. Praditya, “Analisis Potensi Air Hujan Untuk Pengisian Embung Precet Kecamatan Gunem Kabupaten Rembang,” Universitas Islam Sultan Agung, Semarang, 2022.
[3] St M. Imam Whidyarto, “Prediksi Curah Hujan Dari Data Satelit Himawari-8 Menggunakan Metode Random Forest,” E-Proceeding Of Engineering, Vol. 10, No. 1, P. 721, 2023.
[4] R. Roscher, B. Bohn, M. F. Duarte, And J. Garcke, “Explainable Machine Learning For Scientific Insights And Discoveries,” 2019.
[5] E. Fitri, “Analisis Perbandingan Metode Regresi Linier, Random Forest Regression Dan Gradient Boosted Trees Regression Method Untuk Prediksi Harga Rumah,” Journal Of Applied Computer Science And Technology (Jacost), Vol. 4, No. 1, Pp. 2723–1453, 2023.
[6] Farhanuddin, Sarah Ennola Karina Sihombing, And Yahfizham, “Komparasi Multiple Linear Regression Dan Random Forest Regression Dalam Memprediksi Anggaran Biaya Manajemen Proyek Sistem Informasi,” Journal Of Computers And Digital Business, Vol. 3, No. 2, Pp. 86–97, May 2024,
[7] G. Ashari Rakhmat And W. Mutohar, “Mind (Multimedia Artificial Intelligent Networking Database Prakiraan Hujan Menggunakan Metode Random Forest Dan Cross Validation,” Journal Mind Journal | Issn, Vol. 8, No. 2, Pp. 173–187, 2023,
[8] K. Ciptady, M. Harahap, J. Jonvin, Y. Ndruru, And I. Ibadurrahman, “Prediksi Kualitas Kopi Dengan Algoritma Random Forest Melalui Pendekatan Data Science,” Data Sciences Indonesia (Dsi), Vol. 2, No. 1, Sep. 2022.
[9] T. R. Nangon And A. D. Alexander, “Prediksi Tahap Awal Penyakit Jantung Menggunakan Algoritma Random Forest (Studi Kasus Rsij),” Journal Of Communication And Islamic Broadcasting, Vol. 4, No. 4, 2024.
[10] F. Andreas And U. Enri, “Perbandingan Algoritma Linear Regression, Neural Network, Deep Learning, Dan K-Nearest Neighbor (K-Nn) Untuk Prediksi Harga Bitcoin,” Jsi : Jurnal Sistem Informasi (E-Journal), Vol. 14, No. 1, 2022.
[11] A. Gema Pratama, “Prediksi Perubahan Indeks Harga Konsumen Per Bulan Menurut Kelompok Pengeluaran Dengan Metode Regresi Linier,” Prosiding Seminar Nasional Teknologi Informasi Dan Bisnis (Senatib), 2023.
[12] R. Supriyadi, W. Gata, N. Maulidah, A. Fauzi, I. Komputer, And S. Nusa Mandiri Jalan Margonda Raya No, “Penerapan Algoritma Random Forest Untuk Menentukan Kualitas Anggur Merah,” Jurnal Ilmiah Ekonomi Dan Bisnis, Vol. 13, No. 2, Pp. 67–75, 2020.
[13] Yoga Religia, Agung Nugroho, And Wahyu Hadikristanto, “Klasifikasi Analisis Perbandingan Algoritma Optimasi Pada Random Forest Untuk Klasifikasi Data Bank Marketing,” Jurnal Resti (Rekayasa Sistem Dan Teknologi Informasi), Vol. 5, No. 1, Pp. 187–192, Feb. 2021.
[14] S. Saadah And H. Salsabila, “Jurnal Politeknik Caltex Riau Prediksi Harga Bitcoin Menggunakan Metode Random Forest (Studi Kasus: Data Acak Pada Awal Masa Pandemic Covid-19),” 2021.
[15] W. Hastomo Et Al., “Long Short Term Memory Machine Learning Untuk Memprediksi Akurasi Nilai Tukar Idr Terhadap Usd,” Universitas Gunadarma Jl. Margonda Raya, Vol. 3, No. 2, P. 12140, 2019.
[16] D. Ardiansyah, “Perbandingan Model Prediksi Radiasi Matahari Berbasis Mesin Pembelajaran Pada Stasiun Meteorologi Fatmawati Soekarno Bengkulu,” Megasains, Vol. 14, No. 1, Sep. 2023.
[17] D. Awal Kelangsungan Hidup Pasien Gagal Jantung, B. Fransiskus Sitanggang, And P. Sitompul, “Menggunakan Machine Learning Metode Random Forest,” Innovative: Journal Of Social Science Research, Vol. 4, Pp. 3347–3357, 2024.
Published
2024-12-30
How to Cite
Fibarkah, G., Tondang, M., Yulistyaningrum, N., & Afrad, M. (2024). Prediksi Curah Hujan di Kabupaten Rembang dengan Model Random Forest. Proceedings of the National Conference on Electrical Engineering, Informatics, Industrial Technology, and Creative Media, 4(1), 863-871. Retrieved from https://centive.ittelkom-pwt.ac.id/index.php/centive/article/view/283