Perpustakaan Digital ITB

Informasi cuaca yang akurat, khususnya mengenai prediksi curah hujan dan awal musim hujan, memiliki peran yang sangat krusial dalam berbagai sektor strategis. Untuk mengatasi kompleksitas karakteristik data meteorologi, machine learning (ML) telah banyak dimanfaatkan sebagai pendekatan dalam pemodelan dan prediksi cuaca. Penelitian ini menggunakan model SARIMAX, Long Short-Term Memory (LSTM), dan Random Forest (RF) serta pendekatan pemodelan hibrida. Rangkaian penelitian meliputi analisis pengaruh skala temporal agregasi, penambahan variabel eksogen, pemanfaatan dinamika musiman, serta koreksi distribusi menggunakan EQM (Empirical Quantile Mapping). Performa model dievaluasi menggunakan MSE, RMSE, dan MAE. Hasil pengujian menunjukkan bahwa model hibrida SARIMAX-LSTM memberikan hasil prediksi yang paling akurat dan konsisten pada berbagai skenario pengujian. Penambahan variabel eksogen berupa arah angin, fitur ‘RainToday’, dan awal musim hujan, variasi agregasi temporal, serta konfigurasi komponen musiman memberikan pengaruh yang beragam terhadap performa model. Optimasi sistem melalui perbaikan alur pra-pemrosesan, pencegahan data leakage, hyperparameter tuning, dan penerapan EQM mampu meningkatkan kualitas prediksi dengan efektivitas yang dipengaruhi oleh skala agregasi dan konfigurasi siklus musiman.