KINERJA ALGORITMA PSO RANDOM FOREST VERSUS METODE KONVENSIONAL: IMPUTASI HUJAN HARIAN JAKARTA

Ade Suhendar; Aep Saepuloh

doi:10.35760/dk.2025.v24i2.312

Authors

Ade Suhendar Universitas Nusa Megarkencana Author
Aep Saepuloh Nusa Megarkencana University Author

DOI:

https://doi.org/10.35760/dk.2025.v24i2.312

Keywords:

Imputasi Data, Curah Hujan, Random Forest, Metode Konvensional

Abstract

Penelitian ini bertujuan untuk menguji efektivitas algoritma metaheuristik dan machine learning dalam melakukan imputasi data hujan harian yang hilang, dengan fokus pada wilayah Jakarta. Kesenjangan data pada pencatatan curah hujan harian merupakan tantangan dalam analisis hidrologi dan prakiraan cuaca. Metode penelitian mencakup pengumpulan data curah hujan harian dari tiga stasiun BMKG di Jakarta (Halim Perdanakusuma, Soekarno Hatta, dan Kemayoran) untuk periode 1995-2021. Identifikasi menunjukkan adanya missing data yang signifikan: 459 data di Soekarno-Hatta, 262 di Kemayoran, dan 5694 di Halim Perdanakusuma. Algoritma Random Forest dengan optimasi Particle Swarm Optimization (PSO) dikembangkan untuk memperbaiki data hujan di Stasiun Halim Perdanakusuma, menggunakan data dari Soekarno-Hatta dan Kemayoran sebagai input. Kinerja algoritma ini dibandingkan dengan metode konvensional, yaitu metode aritmatika dan resiprok. Hasil penelitian menunjukkan bahwa metode PSO-Random Forest memiliki kemampuan yang lebih baik dalam mengimputasi data yang hilang dibandingkan dengan metode konvensional, dilihat dari nilai error yang lebih rendah dan korelasi yang lebih tinggi dengan data observasi. Penelitian ini memberikan kontribusi signifikan dalam peningkatan kualitas data curah hujan, yang sangat penting untuk keperluan analisis hidrologi, mitigasi bencana, dan perencanaan sumber daya air di wilayah Jakarta.

Downloads

Download data is not yet available.

References

Kurniawan, R. D., Hadiani, R. R. R., & Setiono, S. (2017). Mengisi Data Hujan Yang Hilang Dengan Metode Autoregressive Dan Metode Reciprocal Dengan Pengujian Debit Kala Ulang (Studi Kasus Di Das Bakalan). Matriks Teknik Sipil, 5(4). http://eprints.uns.ac.id/37916/

Laily, Y. H., Rakhmawati, F., & Husein, I. (2023). Penerapan Metode Fuzzy Time Series-Markov Chain Dalam Peramalan Curah Hujan Sebagai Jadwal Tanaman Padi. Jurnal Lebesgue Jurnal Ilmiah Pendidikan Matematika Matematika dan Statistika, 4(1), 32-40. https://doi.org/10.46306/lb.v4i1.235

Longman, R. J., Newman, A. J., Giambelluca, T. W., & Lucas, M. P. (2020). Characterizing the Uncertainty and Assessing the Value of Gap-Filled Daily Rainfall Data in Hawaii. Journal of Applied Meteorology and Climatology, 59(7), 1189-1206. https://doi.org/10.1175/jamc-d-20-0007.1

Maulana, D., & Riksakomara, E. (2017). Prediksi Intensitas Hujan Kota Surabaya dengan Matlab menggunakan Teknik Random Forest dan CART (Studi Kasus Kota Surabaya). Jurnal Teknik ITS, 6(1), F11-F16. https://doi.org/10.12962/j23373539.v6i1.21120

Nugroho, A. A., & Haris, M. (2024). Analisis Efektivitas Teknik Imputasi Pada Lstm Untuk Meningkatkan Kualitas Data Pada Peramalan Curah Hujan. Jurnal Informatika dan Rekayasa Elektronik, 7(2), 167-176. https://doi.org/10.36595/jire.v7i2.1172

Panggabean, D. A. H., Sihombing, F. M., & Aruan, N. M. (2021). Prediksi Tinggi Curah Hujan Dan Kecepatan Angin Berdasarkan Data Cuaca Dengan Penerapan Algoritma Artificial Neural Network (ANN). seminastika, 3(1), 77-85.https://doi.org/10.47002/seminastika.v3i1.237

Penalun, F. E., Hermawan, A., & Avianto, D. (2023). Perbandingan Random Forest Regression dan Support Vector Regression Pada Prediksi Laju Penguapan. JURNAL FASILKOM, 13(02), 79-88. https://doi.org/10.37859/jf.v13i02.4976

Prawaka, F., Zakaria, A., & Tugiono, S. (2016). Analisis Data Curah Hujan yang Hilang Dengan Menggunakan Metode Normal Ratio, Inversed Square Distance, dan Cara Rata-Rata Aljabar (Studi Kasus Curah Hujan Beberapa Stasiun Hujan Daerah Bandar Lampung). Jurnal Rekayasa Sipil dan Desain, 4(3), 161-169. https://doi.org/10.23960/jrsdd.v4i3.418

Risnayah, S. (2024). Penerapan Imputasi Locf Dan Cross Mean Dalam Pengisian Data Kosong Pada Curah Hujan Harian ARG. Megasains : Buletin Meteorologi, Klimatologi, Kualitas Udara dan Geofisika, 14(2), 170-179. https://doi.org/10.46824/megasains.v14i2.138

Rizky, M. (2019). Pengisian Data Curah Hujan Yang Hilang Pada Das Lariang.

http://repository.untad.ac.id/1439/

Sekretariat Pusat Hathi. (2018). Kajian Pengembangan Pengisian Kekosongan Data Hujan (Studi Kasus DAS Serang, Ws Jratun Seluna – Jawa Tengah).

Silalahi, F. S. A., Farda, N. M., & Nurjani, E. (2024). Uji Perbandingan Metode Estimasi Curah Hujan Menggunakan Satelit Himawari: Metode Konvensional dan Machine Learning. Jurnal Geosains dan Remote Sensing, 5(1), 17-26. http://dx.doi.org/10.23960/jgrs.ft.unila.333

Teegavarapu, R. S. V., Aly, A. H., Pathak, C. S., Ahlquist, J. E., Fuelberg, H. E., & Hood, J. (2017). Infilling missing precipitation records using variants of spatial interpolation and data‐driven methods: use of optimal weighting parameters and nearest neighbour‐based corrections. International Journal of Climatology, 37(10), 3843-3861. https://doi.org/10.1002/joc.5209

Tyralis, H., Papacharalampous, G., & Langousis, A. (2019). A Brief Review of Random Forests for Water Scientists and Practitioners and Their Recent History in Water Resources. Water, 11(5),910.https://doi.org/10.3390/w11050910

Waqas, M., & Humphries, U. W. (2024). A critical review of RNN and LSTM variants in hydrological time series predictions. MethodsX, 12, 102946. https://doi.org/10.1016/j.mex.2024.102946

Wattimena, E. M. C., Taihuttu, P. D. M., Waas, D. V., Palembang, C. F., & Pattiradjawane, V. E. (2025). Optimization of LSTM Model for Rainfall Prediction in Ambon City: Comparison of Mean Imputation and Interpolation in Time Series Data Prediction. Tensor Pure and Applied Mathematics Journal, 6(1), 49-56