PERBANDINGAN METODE RANDOM FOREST DAN XGBOOST PADA CUACA DI SUMATERA UTARA

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.