Perpustakaan Digital ITB

Jakarta dan Bandung sebagai wilayah urban dengan variabilitas curah hujan tinggi rentan terhadap bencana hidrometeorologi seperti banjir dan kekeringan, dipengaruhi fenomena iklim seperti ENSO, IOD, dan MJO. Prediksi curah hujan S2S mengisi celah antara prakiraan cuaca dan musiman, namun model numerik global seperti CanCM3, CanCM4, FLORB, dan CCSM4 memiliki keterbatasan dalam menangkap variabilitas lokal. Penelitian ini bertujuan menyusun dan mengevaluasi model prediksi menggunakan algoritma gradient boosting untuk meningkatkan performa S2S. Penelitian menggunakan data observasi MSWEP sebagai referensi dan data model iklim periode 1982-2011. Data diproses melalui preprocessing, pembagian temporal training (1982-2002) dan testing (2003-2011), serta implementasi tiga varian gradient boosting (CatBoost, LightGBM, XGBoost) dengan konfigurasi baseline. Evaluasi dilakukan menggunakan metrik bias, MAE, RMSE, dan korelasi, dengan analisis keseluruhan, per lead time, per musim, serta time series. Hasil menunjukkan model global memiliki bias signifikan, dengan CanCM3 terbaik di Jakarta dan error lebih tinggi di Bandung. Algoritma gradient boosting memberikan perbaikan beragam, di mana CatBoost unggul dalam mengurangi bias sistematis. Namun, korelasi tetap rendah hingga sedang, dengan degradasi performa seiring lead time (terbaik di Lead 0) dan kesulitan menangkap ekstrem, menghasilkan prediksi lebih halus. Analisis time series menunjukkan kemampuan mengikuti tren musiman, meskipun dengan deviasi pada puncak hujan. Gradient boosting memberikan perbaikan incremental, tetapi masih terbatas untuk akurasi operasional. Saran mencakup hyperparameter tuning mendalam menggunakan Grid Search atau Bayesian Optimization, serta perpanjangan periode evaluasi dengan temporal cross-validation.