<![CDATA[Prediksi curah hujan yang akurat sangat penting dalam mitigasi bencana hidrometeorologi, perencanaan sumber daya air, serta sektor pertanian dan infrastruktur. Penelitian ini mengusulkan pendekatan prediksi curah hujan berbasis model hybrid yang mengintegrasikan Extreme Gradient Boosting (XGBoost) dan Long Short-Term Memory (LSTM) dengan tujuan meningkatkan akurasi dan stabilitas prediksi. Model ini dirancang untuk menggabungkan keunggulan XGBoost dalam menangkap hubungan non-linear antarvariabel meteorologi serta kemampuan LSTM dalam mempelajari pola jangka panjang pada data deret waktu.Data yang digunakan dalam penelitian ini diperoleh dari stasiun pengamatan cuaca di BMKG Labuha dan mencakup berbagai parameter atmosferik utama, seperti suhu udara, tekanan, udara, kecepatan angin, serta curah hujan historis. Data tersebut diproses menggunakan teknik pra-pemrosesan yang mencakup normalisasi, deteksi dan penanganan nilai hilang, serta transformasi fitur untuk meningkatkan kualitas input model. Model hibrida yang diusulkan diawali dengan XGBoost untuk melakukan ekstraksi fitur penting dari data cuaca, yang kemudian digunakan sebagai input dalam arsitektur LSTM guna menangkap pola temporal yang kompleks.Hasil eksperimen menunjukkan bahwa model hibrida XGBoost-LSTM secara signifikan mengungguli model tunggal seperti XGBoost, LSTM, serta metode prediksi konvensional seperti regresi linier dan model random forest. Evaluasi menggunakan metrik Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), dan Coefficient of Determination (R²) menunjukkan bahwa model ini mampu meningkatkan akurasi prediksi curah hujan dengan margin yang lebih baik dibandingkan pendekatan lainnya. Selain itu, penelitian ini menyoroti pentingnya pemilihan fitur yang optimal serta strategi penggabungan model untuk menangani ketidakpastian dalam prediksi cuaca. ABSTRACT Accurate rainfall prediction is crucial for mitigating hydrometeoro-logical disasters, water resource planning, and the agricultural and infrastructure sectors. This research proposes a hybrid model-based rainfall prediction approach that integrates Extreme Gradient Boost-ing (XGBoost) and Long Short-Term Memory (LSTM) with the aim of improving prediction accuracy and stability. This model is de-signed to combine the advantages of XGBoost in capturing non-linear relationships between meteorological variables and the ability of LSTM to learn long-term patterns in time series data.The data used in this study were obtained from weather observation stations at BMKG Labuha and include various key atmospheric parameters, such as air temperature, air pressure, wind speed, and historical rainfall. This data is processed using pre-processing techniques that include normalization, missing value detection and handling, and feature transformation to improve the quality of the model input. The proposed hybrid model begins with XGBoost to extract im-portant features from weather data, which are then used as input in the LSTM architecture to capture complex temporal patterns.The experimental results show that the XGBoost-LSTM hybrid model significantly outperforms single models such as XGBoost, LSTM, and conventional prediction methods such as linear regression and random forest models. Evaluation using Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), and Coefficient of Determi-nation (R²) metrics shows that this model is able to improve rainfall prediction accuracy with a better margin compared to other ap-proaches. In addition, this study highlights the importance of opti-mal feature selection and model combination strategies to handle uncertainty in weather prediction]]>
