PENGEMBANGAN MODEL PREDIKSI CURAH HUJAN HARIAN DI WILAYAH JAKARTA MENGGUNAKAN GRADIENT BOOSTING MACHINES (GBMs) DAN GAME THEORY INTERPRETATION

Abstract

Sebagai pusat pemerintahan dan ekonomi negara, Jakarta merupakan wilayah dengan tingkat rentabilitas yang tinggi terhadap kerugian ekonomi akibat bencana banjir. Hal ini menjadi pendorong bahwa perlunya pengembangan model prediksi untuk memberikan informasi lebih akurat terkait potensi curah hujan harian di wilayah Jakarta. Penelitian ini bertujuan untuk mengembangkan model prediksi yang akurat dengan pendekatan machine learning dari algoritma Gradient Boosting Machines (GBMs) yang mencakup XGBoost, LightGBM dan CatBoost. Dalam penelitian ini juga mengaplikasikan konsep game theory untuk memberikan wawasan mendalam tentang faktor-faktor utama pemicu intensitas curah hujan.

            Data curah hujan harian dikumpulkan bersama dengan berbagai variabel prediktor yang berkaitan dengan kondisi meteorologi. Penerapan teknik GBMs menggunakan model regresi dengan optimalisasi model diperkuat oleh optuna hyperparameter tuning dan features selection berbasis algoritma SHAP. Evaluasi model dilakukan menggunakan metrik statistik RMSE, MAE dan R² untuk mengukur tingkat akurasi prediksi.

            Hasil penelitian mengungkap bahwa ketiga model GBMs yang dioptimalkan dengan features selection dan hyperparameter tuning mencapai akurasi testing diatas 70%. XGBoost menunjukkan performa terbaik dalam memprediksi curah hujan harian di wilayah Jakarta. Sementara penerapan game theory mengungkap bahwa variabilitas suhu udara pada ketinggian 2 meter di atas permukaan tanah (t2m) sebagai fitur dengan kontribusi terbesar terhadap nilai akurasi ketiga model GBMs. Selain t2m, tiga fitur teratas lainnya adalah kepadatan total air cair dalam kolom udara (tcrw), konvergensi aliran kelembaban yang terintegrasi secara vertikal (vimfc) dan kelembaban relatif pada level tekanan 700 hPa (rh700).