Model Prediksi Cuaca Di Yogyakarta Menggunakan Machine Learning Berdasarkan Data Historis Dari BMKG

Latar Belakang: Cuaca berdampak besar pada kehidupan, terutama saat terjadi perubahan ekstrem di Yogyakarta. BMKG menggunakan metode Numerical Weather Prediction (NWP), namun akurasinya terbatas untuk jangka panjang dan cuaca ekstrem. Sebagai alternatif, Machine Learning (ML) menawarkan prediksi yang lebih adaptif dan akurat dengan menganalisis pola dari data historis.
Tujuan: Penelitian ini bertujuan mengembangkan dan mengevaluasi model prediksi cuaca berbasis Machine Learning menggunakan data historis BMKG Yogyakarta, serta membandingkan akurasinya dengan data aktual BMKG, khususnya untuk cuaca ekstrem.
Metode Penelitian: Data historis cuaca Yogyakarta (2020-2024) dari BMKG dikumpulkan, diproses (preprocessing), dan dibagi untuk pelatihan (2020-2023) serta pengujian (2024). Empat algoritma ML (Random Forest, XGBoost, LSTM, ARIMA) diuji dan dievaluasi menggunakan metrik RMSE, MAPE, dan R² Score. Model terbaik kemudian diuji kemampuannya mendeteksi cuaca ekstrem berdasarkan kuartil ketiga (Q3).
Hasil: Model XGBoost default menunjukkan performa terbaik (RMSE 0.0832, MAPE 57.81%, R² 0.8097) dan mampu mendeteksi cuaca ekstrem dengan akurasi 83.33%. Versi tuning-nya menghasilkan MAPE lebih rendah (24.57%) namun R² sedikit turun (0.7586). Sistem prediksi telah diterapkan dalam dashboard web Streamlit dengan dukungan prediksi harian, 3-harian, dan bulanan.
Kesimpulan: Sistem prediksi curah hujan berbasis Machine Learning dengan algoritma XGBoost berhasil dikembangkan dan diimplementasikan untuk Yogyakarta. Model XGBoost terbukti paling akurat dalam memprediksi curah hujan dan mendeteksi cuaca ekstrem. Fleksibilitas resolusi waktu dan antarmuka
interaktif menjadikan sistem ini alat potensial untuk perencanaan strategis dan mitigasi bencana.