Claim Missing Document
Check
Articles

Perbandingan Algoritma Machine Learning untuk Prediksi Multi-Output Variabel Osean-Atmosfer Maulidia, Raisa; Arifin, Willdan Aprizal; Syafri, Herman
Jurnal Rekayasa Teknologi Informasi (JURTI) Vol 9, No 4 (2025): Jurnal Rekayasa Teknologi Informasi (JURTI)
Publisher : Universitas Mulawarman

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30872/jurti.v9i4.25976

Abstract

Prediksi variabel osean-atmosfer merupakan komponen penting dalam mendukung keselamatan dan efisiensi aktivitas maritim. Kompleksitas data osean-atmosfer yang bersifat multivariat dan dinamis memerlukan pendekatan komputasional yang mampu menangkap hubungan non-linear dan temporal secara simultan. Penelitian ini membandingkan performa tiga algoritma machine learning, yaitu Long Short-Term Memory (LSTM), Random Forest, dan XGBoost dalam memprediksi multi-output variabel osean-atmosfer menggunakan data Automatic Weather Station (AWS) periode 2022–2025. Tahapan penelitian meliputi pra-pemrosesan, normalisasi menggunakan StandardScaler, pembagian data (90% latih dan 10% uji), pelatihan model teroptimasi, serta evaluasi menggunakan RMSE dan R². Hasil penelitian menunjukkan bahwa XGBoost memiliki performa terbaik pada sebagian besar variabel dengan nilai RMSE terendah pada windspeed (0,77), waterlevel (0,12), RH (2,40), dan winddir (28,79), serta nilai R² tertinggi masing-masing sebesar 0,840; 0,940; 0,870; dan 0,730. LSTM menunjukkan performa terbaik pada variabel watertemp dengan RMSE sebesar 0,31 dan R² sebesar 0,814. Sementara itu, Random Forest memiliki performa yang relatif lebih rendah dengan nilai R² berkisar antara 0,680 hingga 0,982 tergantung variabel. Secara keseluruhan, XGBoost terbukti paling konsisten dan efektif dalam menangani prediksi multi-output variabel osean-atmosfer yang kompleks dan non-linear.
Weather and Marine Multi-output Prediction Using XGBoost on Automatic Weather Station Data Arifin, Willdan Aprizal; Anzani, Luthfi; Ma'ruf, M; Daud, Anton; Handyanto, Lukman; Maulidia, Raisa; Maulsyid, Ramzan Pradana; Fadzar, Angga
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol 10 No 2 (2026): April 2026
Publisher : Ikatan Ahli Informatika Indonesia (IAII)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29207/resti.v10i2.7031

Abstract

Climate change on a global scale has triggered an increase in sea levels and heightened the frequency of extreme weather events, especially in maritime countries such as Indonesia. These conditions necessitate the development of accurate and adaptive weather and marine prediction systems. This study proposes a multi-output prediction model using the eXtreme Gradient Boosting (XGBoost) algorithm based on BMKG's Automatic Weather Station (AWS) data from the BMKG. The data cover the period 2022-2025 with high temporal resolution and include five main parameters: wind speed, water level, water temperature, relative humidity, and wind direction. The hyperparameter tuning process led to the discovery of an optimal configuration capable of enhancing the model's accuracy. The evaluation results of the coefficient of determination (R²) and Root Mean Squared Error (RMSE) metrics show that the model can predict water temperature, water level, and relative humidity with very high accuracy, which is more than 85 percent. The model also performed well in predicting wind speed, although it still faced difficulties in handling wind direction due to its cyclical nature. Overall, the XGBoost approach proved effective in modeling weather and marine parameters simultaneously and has the potential to be integrated into environmental monitoring systems in Indonesia's coastal and archipelagic regions.
Perbandingan Metode Hyperparameter Tuning Pada Model XGBoost Untuk Prediksi Multioutput Handyanto, Lukman; Arifin, Willdan Aprizal; Syafri, Herman
Jurnal Rekayasa Teknologi Informasi (JURTI) Vol 10, No 1 (2026): Jurnal Rekayasa Teknologi Informasi (JURTI)
Publisher : Universitas Mulawarman

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30872/jurti.v10i1.22958

Abstract

Prediksi parameter atmosfer-oseanografi yang akurat sangat penting untuk mitigasi risiko di wilayah pesisir dan aktivitas kelautan. Penelitian ini membandingkan efektivitas Grid Search dan Randomized Search dalam optimasi hyperparameter XGBoost untuk prediksi multioutput lima parameter cuaca dan laut, yaitu kecepatan angin, arah angin, kelembaban relatif, suhu permukaan laut, dan tinggi muka air menggunakan data Automatic Weather Station BMKG periode 2022-2025 pada stasiun Merak, Ciwandan, dan Bakauheni. Penelitian meliputi tahapan pengumpulan data, ekstraksi fitur temporal, pembersihan data, pemisahan fitur-target, pembagian data latih-uji, normalisasi, pelatihan model, hyperparameter tuning, dan evaluasi menggunakan metrik R². Hasil menunjukkan kedua metode menghasilkan akurasi tinggi dengan nilai R² berada pada rentang 0,7214 hingga 0,9916. Perbedaan akurasi antar metode relatif kecil, dengan selisih R² terbesar 0,0152 pada variabel arah angin. Meskipun demikian, Randomized Search menunjukkan keunggulan signifikan dari sisi efisiensi komputasi dengan waktu eksekusi hingga 7,5 kali lebih cepat dibandingkan Grid Search, yaitu 38,3 detik dibandingkan 285,6 detik pada variabel kecepatan angin. Selain itu, proses optimasi hyperparameter terbukti meningkatan kinerja model dibandingan konfigurasi baseline, dengan peningkatan nilai R² arah angin dari 0,6137 menjadi 0,7366. Berdasarkan keseimbangan antara akurasi dan efisiensi komputasi, Randomized Search direkomendasikan sebagai optimasi hyperparameter untuk model XGBoost multioutput pada data kompleks dan berdimensi tinggi.
Co-Authors Acep Saepul Zamil Agung Setyo Sasongko Ahmad Beryliumsyah Ikmaludin Ahmad Satibi Ahmad Satibi AKBAR fitransyah, Hikmal Alya Dina Wilujeung Amien Rais Andre Aprinaldo Ani Anisyah Anzani, Luthfi Apriansyah, Muhamad Renaldi Apriansyah, Muhammad Renaldi Arief Darmawan Arsanti, Yulia Asep Sandra Budiman Aulia, Tazkiah Aulia, Tazkiah Kamilah Ayang Armelita Rosalia Azhari, Dhea Rahma Budiman, Asep Sandra Cakra Rahardjo cakra rahardjo Darmawan, Arief Daud, Anton Della Ayu Lestari Della Ayu Lestari Dhea Rahma Azhari Dhea Rahma Azhari Fadillah, Annisa Nur Fadzar, Angga Fahriza, Salsabila Putri Fawaz Fawaz Fernaldy Akbar Faudzan Futriansyah Lipalda Haekal Ghossan Firdaus Hajijah, Karimatul Aulia Handyanto, Lukman Hari Din Nugraha Herli Salim Hikmattulloh, M. Bintang Ilsa Margiana Herawati Ishak Ariawan Ita Arianti Jelita, Dinda Kiffah Kayyisah Ahmad Kiran Aulia Putri Kiran Aulia Putri Kukuh Widiyanto Larasati, Wenny Ananda Lubis, Naddra Haddad Lukman Lukman Lukman Lukman Ma'ruf, M Mad Rudi Makhtar, Muhammad Ottmar Mar’ah, Maihuhatul Maulana, Pardip Maulidia, Raisa Maulsyid, Ramzan Pradana Minsaris, La Ode Alam Muhamad Ashari, Mahathir Muhamad Renaldi Apriansyah Muhammad Renaldi Apriansyah Murtianingsih, Dzakiya Fikri Nabila Tufailah Nevin Adel Ramaputra Novi Sofia Fitriasari Nurghea, Shelena Yasmin Nurokhim, Arif Pardip Maulana Raden Mohamad Herdian Bhakti Rahaditya Aryadi, Naufal Rahardjo, Cakra Ramaputra, Nevin Adel Ramdhani, Muhammad Akbar Rudi, Mad Sabilla, Annisa Maulana Sariwardoyo, Awanda Muthia Septiantina, Shinta Shafa Salsabilla Buchori Salsabilla Buchori Shelena Yasmin Nurghea Shinta Septiantina Sihombing, Amalia Rahma Dini Sinurat, Anting B.N Sriyanto, Sesar Prabu Dwi Sutrisno, Rifki Andreana Syafri, Herman Syamsul Arifin Tarigan, Daniel Julianto Taufiq Ejaz Ahmad Tirtana, Denta Titania Ferodova Shonda Virgianisa, Tania Wenny Ananda Larasati Wilujeung, Alya Dina Yoga Estu Nugraha Nugraha Zamil, Acep Saepul