PREDIKSI CURAH HUJAN MUSIMAN DENGAN MACHINE LEARNING DI PAPUA

Abstract

Papua merupakan wilayah di Indonesia yang rentan terhadap bencana hidrometeorologi, sehingga informasi prediksi hujan musiman yang akurat dan andal sangat dibutuhkan. Penelitian ini bertujuan untuk 1) mengevaluasi performa prediksi hujan musiman dari Seasonal Forecast Sistem 5 (SEAS5) European Centre for Medium-Range Weather Forecasts (ECMWF), 2) menilai kemampuan model machine learning (ML) dalam meningkatkan kualitas prediksi hujan musiman di Papua, serta 3) mengaplikasikan model ML terbaik untuk perbaikan prediksi. Metode ML yang digunakan meliputi ElasticNet (ENet), Support Vector Machine (SVM), Random Forest (RF), dan Extreme Gradient Boosting (XGB), dengan model regresi linier (LR) sebagai acuan. Luaran hindcast SEAS5 digunakan sebagai prediktor, dengan seleksi prediktor iklim lokal dan global dilakukan secara objektif menggunakan konsensus Lasso dan RF. Hasil evaluasi beberapa metrik, yakni mean error (ME), koefisien korelasi (Corr), root mean square error (RMSE), dan Kling-Gupta Efficiency (KGE), menunjukkan bahwa model mentah (Raw) SEAS5 memiliki keterbatasan yang signifikan dalam merepresentasikan hujan musiman di Papua, ditandai oleh kecenderungan bias basah pada periode MAM, SON, dan DJF, RMSE yang tinggi (hingga 103,9 mm), serta nilai KGE rendah atau negatif, terutama di wilayah pegunungan. Performa Raw SEAS5 relatif lebih baik pada JJA dan SON, namun menurun tajam pada DJF dengan Corr yang bahkan bernilai negatif di beberapa lokasi. Model LR mampu memperbaiki performa Raw SEAS5 dan digunakan sebagai benchmark untuk mengevaluasi peningkatan relatif model ML. Model ML yang dioptimasi secara gridwise menunjukkan peningkatan performa yang konsisten dibandingkan Raw SEAS5, dengan penurunan RMSE menjadi 33,7–48,3 mm, bias mendekati nol, serta peningkatan nilai KGE menjadi 0.15 s.d. 0.23 di Papua. Secara musiman, model ML unggul pada periode MAM, JJA, dan DJF, sementara pada SON model LR menunjukkan performa yang lebih baik di banyak lokasi. Secara keseluruhan, XGB dan SVM merupakan model dengan performa terbaik, dengan XGB menempati peringkat KGE tertinggi pada 62,5% lokasi. Hasil ini menunjukkan bahwa pendekatan machine learning yang teroptimasi berpotensi menjadi solusi efektif untuk meningkatkan kualitas prediksi hujan musiman di Papua, meskipun tantangan masih tersisa pada musim basah dan wilayah bertopografi kompleks.