<![CDATA[Kecamatan Serpong, Kota Tangerang Selatan merupakan wilayah rentan banjir akibat curah hujan tinggi. Salah satu kejadian signifikan terjadi pada 11 November 2024, ketika curah hujan mencapai 150 mm/hari dan menyebabkan banjir setinggi 50-150 cm yang menggenangi permukiman, jalan utama, dan fasilitas umum. Kondisi ini mendorong pengembangan model prediksi curah hujan 30 menit ke depan sebagai dasar sistem peringatan dini. Penelitian ini menggunakan teknik stacking ensemble dengan Random Forest dan XGBoost sebagai base learner serta XGBoost sebagai meta learner. Data yang digunakan berasal dari Stasiun AQMS Kota Tangerang Selatan tahun 2024, sebanyak 16.766 data dengan interval 30 menit, terdiri atas variabel kecepatan angin, arah angin, kelembaban, suhu, tekanan udara, solar radiation, dan curah hujan. Tahapan preprocessing meliputi pengecekan kelengkapan data, pengembalian indeks waktu yang hilang menggunakan reindex, dan penanganan missing value. Missing value ditangani menggunakan interpolasi linear, sedangkan arah angin ditransformasi menggunakan sin dan cos. Feature engineering dilakukan dengan membentuk lag_1, lag_2, hour_sin, dan hour_cos untuk merepresentasikan informasi historis dan pola siklus harian. Pemodelan dilakukan melalui hyperparameter tuning menggunakan Grid Search CV dengan skema time-series split (K=5), pembentukan meta feature berbasis out of fold prediction, dan pelatihan meta learner. Hasil pengujian menunjukkan model stacking mencapai RMSE 0,0517, MAE 0,0085 dan R2 0,8257. Sebagai perbandingan model tunggal, XGBoost menghasilkan performa terbaik dengan RMSE 0,0317, MAE 0,0048 dan R2 0,9343, sedangkan Random Forest menghasilkan RMSE 0,0424, MAE 0,0122 dan R2 sebesar 0,8828. Model diintegrasikan ke aplikasi web RainCast berbasis Streamlit untuk prediksi interaktif. Berdasarkan hasil tersebut, stacking belum mampu mengungguli performa model tunggal.]]>
