<![CDATA[Perubahan cepat dalam kondisi cuaca memiliki dampak signifikan terhadap berbagai sektor dan aktivitas di suatu daerah, sehingga sangat penting untuk memiliki prakiraan cuaca jangka pendek yang tepat dan cepat di tingkat lokal. Penelitian ini menggunakan algoritma LightGBM untuk memprediksi empat parameter cuaca, yaitu suhu, kelembapan, curah hujan, dan kecepatan angin, pada beberapa batas waktu, yaitu 1, 3, dan 6 jam ke depan, di beberapa lokasi dengan karakteristik iklim yang beragam. Data cuaca yang diperoleh setiap menit diubah menjadi format per jam, kemudian dibersihkan dan diproses menjadi fitur terkait waktu, lokasi, serta kondisi cuaca saat ini, serta rolling statistics untuk menangkap dinamika sementara, guna melatih model multi output. Sebagai pembanding, kinerja model LightGBM diuji dengan dua baseline, yaitu yagn pertama adalah Random Forest serta persistence forecast. Kinerja model dievaluasi dengan menggunakan metrik MAE, RMSE, galat ternormalisasi (nRMSE), dan koefisien determinasi (R²) baik secara individual untuk setiap variabel maupun per batas waktu. Hasil pengujian menunjukkan bahwa model mampu menjelaskan sekitar 65% variasi dari keempat parameter (R² makro 0,65; nRMSE 0,49), di mana suhu (R² 0,98) dan kelembapan (R² 0,89) adalah parameter yang paling akurat, kecepatan angin tergolong sedang karena menyentuh R² 0,66, sedangkan curah hujan menjadi yang paling sulit diprediksi (R² 0,08). LightGBM mengungguli kedua baseline pada seluruh parameter termasuk pada curah hujan, yang dimana Random Forest dan persistence forecast justru menghasilkan R² negatif sehingga keunggulan tidak dipengaruhi oleh data Akurasi model mengalami penurunan seiring dengan bertambahnya batas waktu, dari R² 0,75 pada horizon 1 jam, menjadi 0,54 pada 6 jam, sehingga fokus model adalah pada prakiraan jangka pendek 1–6 jam. Dengan demikian, pendekatan gradient boosting berbasis LightGBM dinilai sangat efisien untuk prakiraan cuaca multi-horizon jangka pendek.]]>
