Evaluasi Kinerja Random Forest dan Geographically Weighted Random Forest Pada Data Spasio-Temporal

Abstract

Data yang terikat pada lokasi pengamatan dapat menunjukkan autokorelasi dan heterogenitas spasial. Random Forest Spatial (RFS) mengakomodasi karakteristik tersebut melalui penambahan koordinat lokasi sebagai peubah penjelas, tetapi kepentingan peubah yang dihasilkan bersifat menyeluruh sehingga belum menggambarkan perbedaan pengaruh antarlokasi. Geographically Weighted Random Forest (GWRF) mengatasi keterbatasan tersebut, namun pembobotannya hanya mempertimbangkan kedekatan spasial dan belum mengakomodasi autokorelasi temporal. Penelitian ini bertujuan mengevaluasi performa prediktif dan kesesuaian pola spasial dari RFS + Lag, GWRF, dan GWRF + Lag, kemudian menerapkan model terbaik pada data konsentrasi nitrogen dioksida (NO2) troposferik di kawasan ASEAN. Kajian simulasi membangkitkan data pada grid 30 × 30 yang menghasilkan 900 lokasi dengan struktur SAR(1)(12) pada tiga skenario autokorelasi musiman (F12 sebesar 0,2; 0,5; dan 0,8) dan direplikasi sebanyak 100 iterasi. Kajian empiris menggunakan data bulanan periode Januari 2022 hingga Desember 2024, dengan NO2 troposferik dari Sentinel-5P TROPOMI sebagai peubah respon serta intensitas cahaya malam, NDVI, dan kepadatan penduduk sebagai peubah penjelas. Hasil simulasi menunjukkan RFS + Lag menghasilkan galat prediktif terendah pada seluruh skenario, tetapi kepentingan peubahnya seragam antarlokasi sehingga ragam spasial bernilai nol. Sebaliknya, GWRF + Lag menghasilkan pola kepentingan peubah yang sesuai dengan koefisien lokal sesungguhnya, dengan korelasi di atas 0,95 pada autokorelasi musiman rendah dan 0,70–0,95 pada skenario tertinggi. Penerapan empiris menunjukkan RFS + Lag lebih baik secara keseluruhan (RMSE 6,49; MAE 3,72; R² 0,77) dibandingkan GWRF + Lag (RMSE 7,44; MAE 4,05; R² 0,70), tetapi GWRF + Lag unggul pada 26,0% lokasi yang berada di kawasan pesisir dan kepulauan. Kepentingan peubah lokal GWRF + Lag menunjukkan dominasi lag-12 di wilayah pembakaran biomassa musiman dan lag-1 di wilayah dengan sumber emisi yang lebih konsisten.