ANALISIS KLASIFIKASI POTENSI CURAH HUJAN MENGGUNAKAN PENDEKATAN COST-SENSITIVE LEARNING PADA MODEL XGBOOST DAN LSTM

Khairahmansyach, Afzal (2026) ANALISIS KLASIFIKASI POTENSI CURAH HUJAN MENGGUNAKAN PENDEKATAN COST-SENSITIVE LEARNING PADA MODEL XGBOOST DAN LSTM. Diploma thesis, Universitas Nasional.

	Text Cover.pdf Download (835kB)
	Text BAB 1.pdf Download (328kB)
	Text BAB 2.pdf Download (629kB)
	Text BAB 3.pdf Download (692kB)
	Text BAB 4.pdf Download (1MB)
	Text BAB 5.pdf Download (324kB)
	Text LAMPIRAN .pdf Download (4MB)

Abstract

Perubahan iklim global telah meningkatkan intensitas dan frekuensi cuaca ekstrem,
khususnya di kawasan Puncak, Bogor, yang rawan bencana hidrometeorologi.
Tantangan utama dalam pemodelan prediksi curah hujan ekstrem adalah
karakteristik data yang sangat tidak seimbang (imbalanced data), di mana kejadian
ekstrem merupakan fenomena langka namun berdampak fatal. Penelitian ini
mengembangkan sistem peringatan dini (Early Warning System) menggunakan
pendekatan Machine Learning dan Deep Learning dengan strategi Cost-Sensitive
Learning untuk mengatasi bias pada kelas mayoritas. Data deret waktu harian dari
Stasiun Klimatologi Citeko periode 2016-2024 digunakan sebagai basis penelitian,
dengan teknik pra-pemrosesan meliputi Interpolasi Linear dan Synthetic Minority
Over-sampling Technique (SMOTE). Kinerja dua model prediksi, yakni Extreme
Gradient Boosting (XGBoost) yang dioptimasi dengan Optuna dan Bidirectional
Long Short-Term Memory (Bi-LSTM), dievaluasi secara komparatif. Hasil
pengujian menunjukkan bahwa model XGBoost mengungguli LSTM dalam
seluruh metrik evaluasi, dengan nilai Akurasi mencapai 81,54% dan Recall
(Sensitivitas) sebesar 48,89% pada ambang batas keputusan 0,35. Sebaliknya,
LSTM mencapai akurasi 78,50% dan Recall 45,56% pada ambang batas 0,45.
Temuan ini menegaskan bahwa algoritma berbasis pohon (Ensemble Tree) lebih
efektif dan stabil dalam menangani data meteorologi tabular dengan volume
terbatas dibandingkan arsitektur Deep Learning. Penelitian ini juga menghasilkan
purwarupa dashboard sistem penunjang keputusan berbasis web yang
memvisualisasikan status risiko secara real-time.

Item Type:	Thesis (Diploma)
Subjects:	Q Science > Q Science (General) Q Science > QA Mathematics Q Science > QC Physics T Technology > T Technology (General)
Divisions:	Skripsi > Fakultas Teknologi Komunikasi dan Informatika > Program Studi Sistem Informasi
Depositing User:	Irna Irna Yunita
Date Deposited:	11 May 2026 06:26
Last Modified:	11 May 2026 06:26
URI:	https://repository.unas.ac.id/id/eprint/15876

Actions (login required)

View Item