ANALISIS KOMPARASI KINERJA ALGORITMA RF, XGBOOST, DAN LSTM(LSTM) DALAM MEMPREDIKSI CURAH HUJAN HARIAN DISTASIUN METEOROLOGI SOEKARNO-HATTA

Abstract

Curah hujan merupakan salah satu faktor penting bagi keselamatan penerbangan. Hal ini mampu memengaruhi jarak pandang pilot dan gesekan pada runway (runway friction). Penelitian ini bertujuan membandingkan kinerja algoritma RF (RF), XGBoost, dan LSTM dalam memprediksi curah hujan harian menggunakan data sinoptik periode 2021 hingga 2025. Analisis dilakukan melalui dua metode, yaitu klasifikasi biner kejadian hujan dan regresi intensitas curah hujan. Hasil penelitian menunjukkan bahwa model LSTM merupakan model paling unggul dengan akurasi klasifikasi tertinggi sebesar 70,11% (AUC: 0,75) serta galat regresi terendah (RMSE: 18,72 mm; MAE: 8,54 mm). Keunggulan LSTM terletak pada kemampuannya dalam menangkap keterikatan temporal dan hubungan nonlinier pada variabel sinoptik. Meskipun demikian, seluruh model masih perlu dievaluasi dalam mendeteksi kejadian hujan lebat akibat adanya ketidakseimbangan data yang menyebabkan bias ke arah kategori hujan ringan. Hal ini menegaskan potensi implementasi ML dalam mendukung layanan cuaca penerbangan sekaligus menekankan pentingnya peningkatan teknik pengolahan data untuk memitigasi risiko akibat cuaca ekstrem, khususnya dalam dunia penerbangan.