Analisis XGBoost dan Random Forest untuk Prediksi Curah Hujan dalam Mendukung Mitigasi Karhutla

Didi Sangaji; Tata Sutabri

doi:10.55382/jurnalpustakaai.v5i1.905

Penulis

Didi Sangaji Universitas Bina Darma
Tata Sutabri Universitas Bina Darma

DOI:

https://doi.org/10.55382/jurnalpustakaai.v5i1.905

Kata Kunci:

Random Forest, XGBoost, Curah Hujan, Mitigasi Karhutla

Abstrak

Penelitian ini mengkaji penerapan algoritma Random Forest, XGBoost dan Model Gabungan untuk memprediksi pola curah hujan guna mendukung upaya mitigasi kebakaran lahan dan (karhutla). Metode Random Forest, XGBoost dan Model gabungan dipilih karena kemampuannya menangani data besar, mengolah variabel non-linier, dan memberikan informasi mengenai pentingnya fitur. Hasil penelitian menunjukkan bahwa XGBoost memberikan prediksi dengan MSE 14.982,45, RMSE 122,40, dan MAPE 12,35%. Random Forest menghasilkan MSE 15.876,21, RMSE 126,00, dan MAPE 13,28% dan Model Gabungan (weighted average XGBoost 0,6 + Random Forest 0,4) menunjukkan performa terbaik dengan MSE 14.125,78, RMSE 118,85, dan MAPE 11,87% yang dapat membantu pengambil kebijakan dan pihak terkait dalam perencanaan mitigasi karhutla.

Unduhan

Data unduhan belum tersedia.

Referensi

M. Mahmud, F. Rahman, and M. Saleh, “Penerapan machine learning dalam memprediksi curah hujan di wilayah Sumatera Selatan,” Jurnal Teknologi Alam, vol. 15, no. 1, pp. 45–58, 2020, doi: https://doi.org/10.1016/j.jta.2020.02.003.

S. Wahyunto and Supriatna, “Dampak Kebakaran Lahan terhadap Lingkungan dan Kesehatan di Sumatera Selatan,” Jurnal Ekologi Lahan Basah, vol. 7, no. 3, pp. 123–130, 2019.

G. F. Watch, “Indonesia Fires Dashboard,” https://www.globalforestwatch.org/.

Badan Nasional Penanggulangan Bencana, “Laporan Tahunan Bencana Indonesia 2020,” 2020.

H. Haryani, C. I. Agustyaningrum, A. Surniandari, S. Sahara, and R. K. Sari, “Algoritma Klasifikasi Multilayer Perceptron Dalam Analisa Data Kebakaran Hutan,” Jurnal Infortech, vol. 5, no. 1, pp. 64–70, 2023, doi: 10.31294/infortech.v5i1.15792.

L. Trihardianingsih and H. Permatasari, “Prediksi Area Kebakaran Hutan Menggunakan Algoritma Random Forest,” Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB), pp. 37–41, 2024.

R. Diana, H. Warni, and T. Sutabri, “Penggunaan Teknologi Machine Learning Untuk Pelayanan Monitoring Kegiatan Belajar Mengajar Pada Smk Bina Sriwijaya Palembang,” JUTEKIN (Jurnal Teknik Informatika), vol. 11, no. 1, 2023, doi: 10.51530/jutekin.v11i1.709.

D.- Husen, D.- Sandi, S.- Bumbungan, K.- -, and K.- -, “Analisis Prediksi Kebakaran Hutan dengan Menggunakan Algoritma Random Forest Classifier,” Nuansa Informatika, vol. 16, no. 1, pp. 150–155, 2022, doi: 10.25134/nuansa.v16i1.5392.

A. Primajaya, B. N. Sari, and A. Khusaeri, “Prediksi Potensi Kebakaran Hutan dengan Algoritma Klasifikasi C4.5 Studi Kasus Provinsi Kalimantan Barat,” Jurnal Edukasi dan Penelitian Informatika (JEPIN), vol. 6, no. 2, p. 188, 2020, doi: 10.26418/jp.v6i2.37834.

R. Wahyuni and Y. Irawan, “Model Prediksi Risiko Kebakaran Hutan Menggunakan Algoritma Random Forest dengan Seleksi Fitur Lasso Regression,” Jurnal Teknik Informatika, vol. 5, no. 1, 2025.

A. Dinata and T. Sutabri, “Analisis Pengelolaan E-KTP dengan Pendekatan Framework COBIT 5 pada Domain Deliver, Service, dan Support,” Journal of Information Technology Ampera, vol. 5, no. 1, pp. 2774–2121, 2024, doi: 10.51519/journalita.v5i1.517.

T. Sutabri, Analisis Sistem Informasi, I. Yogyakarta: CV. Andi Offset, 2012.

T. Sutabri and D. Napitulu, Sistem Informasi Bisnis, I. Yogyakarta: CV. Andi Offset, 2019.

T. Sutabri, Pengantar Teknologi Informasi, I. Yogyakarta: C.V Andi Offset, 2014.

D. R. Manalu, M. Zarlis, H. Mawengkang, and O. S. Sitompul, “Forest Fire Prediction in Northern Sumatera using Support Vector Machine Based on the Fire Weather Index,” no. April, pp. 187–196, 2020, doi: 10.5121/csit.2020.101915.

M. Tonini, M. D’Andrea, G. Biondi, S. Degli Esposti, A. Trucchia, and P. A. Fiorucci, “Machine Learning- Based Approach for Wildfire Susceptibility Mapping. The Case Study of the Liguria Region in Italy,” Geosciences (Basel), vol. 10, p. 105, 2020.

F. Ayuningtyas and S. Y. J. Prasetyo, “Pemanfaatan Teknologi Machine Learning Untuk Klasifikasi Wilayah Risiko Kekeringan di Daerah Istimewa Yogyakarta Menggunakan Citra Landsat 8 Operational Land Imager (OLI),” Jurnal Transformatika, vol. 18, no. 1, p. 13, 2020, doi: 10.26623/transformatika.v18i1.2140.

V. No, A. Syahreza, N. K. Ningrum, and M. A. Syahrazy, “Perbandingan Kinerja Model Prediksi Cuaca?: Random Forest , Support Vector Regression , dan XGBoost,” Edumatic?: Jurnal Pendidikan Informatika, vol. 8, no. 2, pp. 526–534, 2024, doi: 10.29408/edumatic.v8i2.27640.

G. Nathaniel, “Penerapan Framework Flask sebagai API Dalam Pengembangan Website Prediksi Kebakaran Hutan dan Lahan di Indonesia,” e-Proceeding of Engineering, vol. 11, no. 6, pp. 6843–6847, 2024.

H. Nisya, C. Setianingsih, and W. Harjupa, “Prediksi Curah Hujan Dari Data Satelit Himawari-8 Menggunakan Metode K-Nearest Neighbor (KNN),” e-Proceeding of Engineering, vol. 10, no. 1, pp. 729–735, 2023, [Online]. Available: https://sharaku.eorc.jaxa.jp/GSMaP/

T. Yiu, “Understanding Random Forest: How The Algorithm Works and Why It Is So Effective,” https://towardsdatascience.com/ understanding- random-forest. Accessed: Mar. 30, 2025. [Online]. Available: https://towardsdatascience.com/understanding-random-forest

C. Browne et al., “Multivariate Random Forest prediction of poverty and malnutrition prevalence,” PLoS One, vol. 16, no. 9 September, pp. 1–23, 2021, doi: 10.1371/journal.pone.0255519.

G. Fibarkah, M. A. Tondang, N. W. Yulistyaningrum, and M. Afrad, “Prediksi Curah Hujan di Kabupaten Rembang dengan Model Random Forest,” Conference on Electrical Engineering, Informatics, Industrial Technology, and Creative, no. Ml, pp. 863–871, 2024.

A. N. Salim and T. Sutabri, “Klasifikasi Cyberbullying Pada Komentar Video Youtube Menggunakan Metode Random Forest,” Jursima, vol. 11, no. 2, pp. 313–323, 2023, doi: 10.47024/js.v11i2.615.

L. Rahmawati, D. Fitria, and R. Harahap, “Prediksi Curah Hujan Bulanan Menggunakan Random Forest: Studi Kasus di Jawa Barat.,” Jurnal Sains Data dan Analitika, vol. 5, no. 1, pp. 45–54, 2021.

D. Kusuma and A. Nugroho, “Perbandingan Metode Random Forest dan Regresi Linier dalam Prediksi Curah Hujan di Kalimantan,” Jurnal Ilmu Komputer dan Meteorologi, vol. 10, no. 277–86, 2022.

M. A. Ganaie, M. Hu, A. K. Malik, M. Tanveer, and P. N. Suganthan, “Ensemble deep learning: A review,” Eng Appl Artif Intell, vol. 115, no. August, 2022, doi: 10.1016/j.engappai.2022.105151.

R. Ardhitha, R. Anugerah, and T. Sutabri, “Analisis Penerapan Machine Learning dan Algoritma Anomali untuk Deteksi Penipuan pada Transaksi Digital,” Repeater: Publikasi Teknik Informatika, no. 1, pp. 80–90, 2025.

M. Ding et al., “Optical coherence tomography for identification of malignant pulmonary nodules based on Random Forest machine learning algorithm,” PLoS One, vol. 16, no. 12 December, pp. 1–15, 2021, doi: 10.1371/journal.pone.0260600.