Abstract:
Prediksi cuaca yang akurat sangat penting untuk berbagai sektor, termasuk
pertanian, transportasi, dan manajemen bencana. Data cuaca yang digunakan
mencakup variabel yaitu kelembaban, temperature, dan kecepatan angin yang
dikumpulkan dari stasiun cuaca di seluruh Sumatera Utara. Metode Random Forest
adalah algoritma ensemble berbasis pohon keputusan yang terkenal dengan
kemampuannya mengatasi overfitting dan memberikan hasil yang akurat. Di sisi
lain, XGBoost adalah teknik boosting yang meningkatkan kinerja model melalui
pembelajaran bertahap, memperbaiki kesalahan yang dilakukan oleh model
sebelumnya. Dari hasil penelitian menunjukkan bahwa kedua metode memiliki
keunggulan masing-masing dalam hal akurasi dan kecepatan prediksi. Metode
Random forest menghasilkan nilai Root Mean Squared Error (RMSE) sebesar
0.753732 dan Coefficient of Determination (R2) sebesar 0.736315. Di sisi lain,
XGBoost menunjukkan nilai RMSE sedikit lebih rendah yaitu 0.737818 dan R2 lebih
tinggi mencapai 0.747332. Disimpulkan bahwa XGBoost memiliki kinerja yang
sedikit lebih baik dalam hal meminimalkan kesalahan prediksi (RMSE) dan
meningkatkan kecocokan model terhadap data (R2) dibandingkan random forest.
