Perbandingan Metode Klasifikasi Random Forest dan XGBoost Serta Implementasi Teknik SMOTE pada Kasus Prediksi Hujan

Abstract

Cuaca pada hakikat merupakan suatu keadaan udara pada waktu tertentu di wilayah yang berbeda-beda dengan cakupan wilayah yang luas maupun sempit dalam jangka waktu yang relatif singkat. Cuaca juga merupakan suatu kombinasi dari beberapa komponen yaitu tekanan suhu, kecepatan angin dan arah mata angin, jumlah volume air yang terkandung pada awan, tekanan udara, kelembaban udara, dan lain-lain. Cuaca sendiri merupakan gambaran dari suatu fenomena alam yang tidak dapat diprediksi seperti hujan dengan intensitas pada saat musim kemarau, udara panas pada saat musim hujan, badai, dan lain-lain. Oleh sebab itu penelitian ini bertujuan untuk mengklasifikasi prediksi hujan pada hari-hari berikutnya, dengan menggunakan beberapa metode klasifikasi yaitu Random Forest, XGBoost dari metode tersebut akan menentukan kelas mana yang paling optimal. Sistem prediksi cuaca yang telah kami buat mendapatkan tingkat akurasi tertinggi diperoleh klasifikasi Random Forest dengan Resampling yakni sebesar 95.59%, namun pada klasifikasi tanpa resampling akurasi tertinggi diperoleh XGBoost yakni sebesar 94.34%.