Analisis Komparatif Akurasi dan Interpretabilitas Algoritma Random Forest dan XGBoost dalam Klasifikasi Kejadian Hujan untuk Mitigasi Banjir DKI Jakarta

Bernike, Nathanael (2026) Analisis Komparatif Akurasi dan Interpretabilitas Algoritma Random Forest dan XGBoost dalam Klasifikasi Kejadian Hujan untuk Mitigasi Banjir DKI Jakarta. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_I.pdf Download (264kB)
	PDF BAB_II.pdf Download (294kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (915kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (258kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (239kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (9MB)
	Archive (ZIP) 00000065454_2521_LembarPengesahan.pdf Restricted to Registered users only Download (66kB)

Abstract

Banjir merupakan bencana hidrometeorologi yang berulang di DKI Jakarta dan sangat dipengaruhi oleh intensitas curah hujan, sehingga ketersediaan prediksi kejadian hujan yang akurat sekaligus dapat diinterpretasikan menjadi kebutuhan penting dalam mendukung Sistem Peringatan Dini (Early Warning System) banjir. Penelitian ini melakukan analisis komparatif terhadap dua algoritma ensemble berbasis pohon, yaitu Random Forest dan XGBoost, untuk mengklasifikasikan kejadian hujan harian di DKI Jakarta. Data bersumber dari tiga stasiun pengamatan BMKG dengan total 1.857 baris yang melalui tahap pra-pemrosesan dan rekayasa fitur, termasuk pembentukan fitur tunda (lag features) dan target biner berdasarkan ambang curah hujan 0,5 mm. Model dievaluasi menggunakan pendekatan time series splitting (1.485 data latih dan 372 data uji) untuk mencegah kebocoran data (data leakage), serta dinilai melalui Accuracy, Precision, Recall, F1-Score, Cohen's Kappa, dan ROC-AUC, dengan interpretabilitas dianalisis menggunakan MDI Feature Importance dan SHAP. Hasil penelitian menunjukkan bahwa Random Forest unggul pada Accuracy (78,76%), Precision (81,61%), dan Cohen's Kappa (0,5142), sedangkan XGBoost unggul pada Recall (91,80%) dan ROC-AUC (0,8120) dengan jumlah false negative paling sedikit (20 berbanding 31). Analisis interpretabilitas menunjukkan konsensus kedua model bahwa suhu udara rata- rata dan kelembapan merupakan fitur paling berpengaruh, dengan arah pengaruh yang konsisten secara meteorologis. Disimpulkan bahwa terdapat trade-off antara kedua model: XGBoost lebih sesuai sebagai inti sistem peringatan dini karena meminimalkan kejadian hujan yang terlewat, sedangkan Random Forest lebih sesuai untuk menekan alarm palsu.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Bernike, Nathanael (00000065454)
Contributors:	Afriliana, Nunik
Keywords:	interpretabilitas, klasifikasi curah hujan, mitigasi banjir, Random Forest, XGBoost
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	27 Jul 2026 07:58
URI:	https://kc.umn.ac.id/id/eprint/48201

Actions (login required)

View Item