Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Journal of Artificial Intelligence and Digital Business
Kintan Febiola
Universitas Pamulang
Computer Science & IT Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Komparasi Metode Gradient Boosting dan Metode Random Forest Untuk Prediksi Curah Hujan Kintan Febiola; Savitri Savitri
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 5 No. 2 (2026): Mei-Juli
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v5i2.13866

Abstract

Curah hujan di wilayah Tangerang Selatan memiliki pola yang berubah-ubah sehingga sulit diprediksi secara tepat. Penelitian ini bertujuan membandingkan metode Gradient Boosting dan Random Forest untuk memprediksi curah hujan berdasarkan data meteorologi wilayah Tangerang Selatan periode 2024–2026. Data diperoleh dari BMKG Wilayah II dan terdiri atas 707 record harian. Variabel yang digunakan meliputi rata-rata suhu udara (TAVG), rata-rata kelembapan udara (RH_AVG), lama penyinaran matahari (SS), kecepatan angin maksimum (FF_X), kecepatan angin rata-rata (FF_AVG), tekanan udara (Pressure), dan curah hujan sebagai target. Penelitian menggunakan pendekatan kuantitatif dan eksperimen. Data dibagi menjadi 565 data training dan 142 data testing dengan rasio 80:20. Evaluasi menggunakan Mean Absolute Error (MAE), Root Mean Square Error (RMSE), dan R². Gradient Boosting memperoleh MAE 7,956, RMSE 18,175, dan R² 0,032, sedangkan Random Forest memperoleh MAE 7,886, RMSE 18,021, dan R² 0,048. Hasil menunjukkan bahwa Random Forest memiliki performa komparatif lebih baik, meskipun nilai R² kedua model masih rendah sehingga kemampuan dalam menjelaskan variasi curah hujan masih terbatas.
Co-Authors Savitri