<![CDATA[Prediksi deret meteorologis perkotaan tropis menghadapi dua karakter target yang berbeda: suhu relatif kontinu dan berautokorelasi,sedangkan curah hujan harian bersifat zero-inflated, menceng, dan mengandung kejadian ekstrem. Penelitian ini membandingkan LongShort-Term Memory (LSTM) dan Extreme Gradient Boosting (XGBoost) untuk direct multi-horizon forecasting t+1, t+7, dan t+14pada satu grid reanalysis ERA5 yang dipilih menggunakan koordinat acuan Jakarta Pusat. Data harian 1 Januari 2005-21 Juli 2026diakses melalui Open-Meteo, kemudian dibagi secara kronologis menjadi train, validation, main test 2024-2025, dan out-of-time (OOT)test Januari-Juli 2026. Model dibangun terpisah untuk setiap target-horizon, dioptimalkan dengan random search dan early stopping,serta dibandingkan dengan baseline kausal menggunakan RMSE, MAE, R², dan bias. Pada main test, XGBoost memperoleh RMSEterendah pada enam tugas; selisih terhadap LSTM adalah 0,34%-5,48% untuk suhu dan 1,72%-3,18% untuk hujan. Semua model suhumelampaui baseline, tetapi model hujan hanya melampauinya pada t+1; klimatologi bulanan tetap lebih baik pada t+7 dan t+14.Peringkat XGBoost konsisten pada OOT, tetapi periode OOT yang lebih pendek dan berbeda komposisi musim tidak dapatdibandingkan langsung dengan main test. Hasil mendukung XGBoost sebagai model yang lebih stabil dan efisien dalam ruangeksperimen ini, bukan sebagai bukti superioritas universal. Prediksi intensitas hujan ekstrem tetap menjadi keterbatasan utama.]]>
Copyrights © 2026
