Perbandingan Performa Model Random Forest Berdasarkan Metode Optimasi Hyperparameter pada Prediksi Curah Hujan di DKI Jakarta

Abstract

Curah hujan merupakan unsur iklim yang berdampak signifikan terhadap berbagai aspek kehidupan, seperti pertanian, transportasi, serta mitigasi bencana. Polanya yang fluktuatif menyebabkan prediksi curah hujan sulit dilakukan secara akurat, terutama di wilayah tropis. Random Forest merupakan salah satu metode yang dapat digunakan karena mampu menangani pola nonlinear dan mengurangi risiko overfitting. Namun, kinerjanya dipengaruhi oleh pemilihan hyperparameter, sehingga diperlukan optimasi untuk memperoleh kombinasi yang optimal. Penelitian ini bertujuan membandingkan Random Forest yang dioptimasi menggunakan Random Search (RS), Bayesian Optimization (BO), dan Genetic Algorithm (GA) untuk memprediksi curah hujan di DKI Jakarta. Penelitian menggunakan 3288 data observasi curah hujan dan peubah meteorologi dengan evaluasi berdasarkan Root Mean Squared Error (RMSE) dan Mean Absolute Error (MAE). Hasil menunjukkan BO menghasilkan error terendah dengan RMSE 6,373 dan MAE 3,597 dengan waktu komputasi 8 jam 40 menit. RS menghasilkan RMSE 6,450 dan MAE 3,805 dalam 27 menit, sedangkan GA menghasilkan RMSE 6,456 dan MAE 3,813 dalam 29 menit. Berdasarkan hasil, Genetic Algorithm dipilih sebagai metode optimasi terbaik karena mencapai kondisi konvergen lebih cepat pada tahap awal pencarian dan membutuhkan waktu komputasi sekitar 18 kali lebih cepat dibandingkan BO, dengan selisih RMSE hanya 1,3%. Hasil ini menunjukkan bahwa GA mampu memperoleh solusi optimal lebih efisien.