HANISA, HANISA and Bettiza, Martaleli and Irawan, Feri (2026) PREDIKSI CURAH HUJAN MENGGUNAKAN TEKNIK STACKING DENGAN ALGORITMA RANDOM FOREST DAN XGBOOST (STUDI KASUS: KEC. SERPONG). S1 thesis, Universitas Maritim Raja Ali Haji.

	Text (Cover) Hanisa_2201020087_Teknik_Informatika - Cover.pdf - Published Version Download (506kB)
	Text (Abstrak) Hanisa_2201020087_Teknik_Informatika - Abstrak.pdf - Published Version Download (88kB)
	Text (BAB I) Hanisa_2201020087_Teknik_Informatika - BAB I.pdf - Published Version Download (128kB)
	Text (Daftar Pustaka) Hanisa_2201020087_Teknik_Informatika - Daftar Pustaka.pdf - Published Version Download (183kB)
	Text (Full Teks) Hanisa_2201020087_Teknik_Informatika - Full Teks.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Kecamatan Serpong, Kota Tangerang Selatan merupakan wilayah rentan banjir akibat curah hujan ekstrem. Salah satu kejadian signifikan terjadi pada 11 November 2024, ketika curah hujan mencapai 150 mm/hari dan menyebabkan banjir setinggi 50-150 cm yang menggenangi permukiman, jalan utama, dan fasilitas umum. Kondisi ini mendorong pengembangan model prediksi curah hujan 30 menit ke depan sebagai dasar sistem peringatan dini. Penelitian ini menggunakan teknik stacking ensemble dengan Random Forest dan XGBoost sebagai base learner serta XGBoost sebagai meta learner. Data yang digunakan berasal dari Stasiun AQMS Kota Tangerang Selatan tahun 2024, sebanyak 16.766 data dengan interval 30 menit. Pemodelan mencakup hyperparameter tuning menggunakan Grid Search CV dengan skema time series split (K=5), pembentukan meta feature berbasis out of fold prediction, dan pelatihan meta learner. Hasil pengujian menunjukkan model stacking mencapai RMSE 0,0517, MAE 0,0085 dan R2 0,8257. Sebagai perbandingan model tunggal, XGBoost menghasilkan performa terbaik dengan RMSE 0,0317, MAE 0,0048 dan R2 0,9343, sedangkan Random Forest menghasilkan RMSE 0,0424, MAE 0,0122 dan R2 sebesar 0,8828. Hasil ini menunjukkan bahwa teknik stacking pada penelitian ini belum mampu mengungguli performa model tunggal. Hal ini dipengaruhi oleh karakteristik data, kombinasi base learner dan meta learner, serta kualitas meta feature yang dihasilkan.

Actions (login required)

View Item