<![CDATA[Prediksi suhu merupakan bagian penting dalam berbagai sektor terutama pada sektor pertanian. Namun, keterbatasan data dan kompleksitas antar variabel menjadi tantangan utama pada pengembangan model prediktif suhu. Untuk mengatasi masalah tersebut, penelitian ini mengusulkan pendekatan baru dengan menggabungkan Automated Machine Learning (AutoML) dan pengetahuan fisika dalam satu kerangka kerja yang efisien dan domain-aware. Dengan membandingkan dua platform AutoML yaitu FLAML dan H2O AutoML. AutoML berperan mengotomatisasi pemilihan model, seleksi fitur, dan penyetelan parameter secara adaptif, sementara komponen berbasis pengetahuan fisika digunakan untuk membatasi ruang agar tetap konsisten dengan prinsip ilmiah. Dalam studi ini, data meteorologi harian seperti suhu, kelembapan, curah hujan, dan radiasi matahari diperoleh dari layanan NASA POWER. Model dikembangkan menggunakan pustaka FLAML dan H2O AutoML yang kemudian dievaluasi menggunakan metrik RMSE dan R². Hasil menunjukkan bahwa H2O AutoML memberikan performa prediksi yang lebih baik dengan nilai RMSE sebesar 0.6329 dan R² sebesar 0.6582, dibanding FLAML yang menghasilkan RMSE sebesar 0.7001 dan R² sebesar 0.4762. Visualisasi menunjukkan bahwa prediksi H2O lebih dekat terhadap nilai aktual dan mengikuti tren suhu dengan lebih akurat.]]>
Copyrights © 2025
