M Imron, Rizka (2025) Perbandingan Algoritma Random Forest Regression dan Support Vector Regression (SVR) Untuk Mesin Peramalan Curah Hujan. Sarjana thesis, UIN Sunan Gunung Djati Bandung.
|
Text (COVER)
1_cover.pdf Download (199kB) | Preview |
|
|
Text (ABSTRAK)
3_abstrak.pdf Download (240kB) | Preview |
|
|
Text (KETERANGAN BEBAS PLAGIARISM)
2_skbebasplagiarism.pdf Download (455kB) | Preview |
|
|
Text (DAFTAR ISI)
4_daftarisi.pdf Download (251kB) | Preview |
|
|
Text (BAB I)
5_bab1.pdf Download (304kB) | Preview |
|
![[img]](https://digilib.uinsgd.ac.id/style/images/fileicons/text.png) |
Text (BAB II)
6_bab2.pdf Restricted to Registered users only Download (675kB) |
|
|
Text (BAB III)
7_bab3.pdf Restricted to Registered users only Download (354kB) |
|
|
Text (BAB IV)
8_bab4.pdf Restricted to Registered users only Download (3MB) |
|
|
Text (BAB V)
9_bab5.pdf Restricted to Registered users only Download (236kB) |
|
|
Text (DAFTAR PUSTAKA)
10_daftarpustaka.pdf Restricted to Registered users only Download (210kB) |
|
|
Text (LAMPIRAN)
11_lampiran.pdf Restricted to Repository staff only Download (332kB) |
Abstract
Peramalan deret waktu (time series) menggunakan machine learning menghadapi tantangan dalam mengadaptasi algoritma regresi umum yang tidak dirancang untuk menangkap pola temporal. Penelitian ini mencoba menjawab tantangan tersebut dengan membuktikan bahwa algoritma machine learning yang tidak memiliki pemahaman bawaan tentang urutan waktu (temporal) dalam data seperti Support Vector Regression (SVR) dan Random Forest Regression (RFR) dapat diadaptasi secara efektif melalui rekayasa fitur (feature engineering). Dengan menciptakan fitur lag historis, siklus musiman, dan statistik bulanan, model diberi konteks temporal yang diperlukan untuk peramalan. Menggunakan data curah hujan bulanan univariat dari Stasiun pengamatan BMKG Kota Bandung periode (Januari 1993 – Maret 2025) dan metodologi CRISPDM, penelitian ini membandingkan SVR dan RFR dalam empat skenario partisi data untuk mengevaluasi tiga aspek: akurasi, stabilitas, dan efisiensi. Hasil penelitian mengungkap adanya tradeoff yang jelas. Random Forest Regression menunjukkan akurasi prediktif tertinggi (R² = 0,9283; RMSE = 31,28 mm) namun dengan stabilitas lebih rendah (ΔR² = 0,051). Sebaliknya, SVR memiliki akurasi yang solid (R² = 0,8042; RMSE = 51,70 mm) namun unggul secara signifikan dalam stabilitas (ΔR² = 0,016) dan efisiensi komputasi (4-6x lebih cepat). Kesimpulannya, rekayasa fitur adalah kunci untuk mengadaptasi algoritma non deret waktu (time series), di mana pemilihan model terbaik bergantung pada prioritas antara akurasi (RFR) dan efisiensi (SVR). Penelitian ini tidak hanya memberikan model peramalan yang aplikatif, yang diwujudkan dalam purwarupa Gradio, tetapi juga menyajikan kontribusi metodologis untuk pengembangan sistem peramalan yang praktis dan efisien
| Item Type: | Thesis (Sarjana) |
|---|---|
| Uncontrolled Keywords: | Machine Learning, Random Forest Regression, Support Vector Regression; Feature Engineering; Time Series; Rainfall Forecasting; CRISP-DM |
| Subjects: | Special Computer Methods > Artificial Intelligence Geology > Precipitation, Rain, Rainfall |
| Divisions: | Fakultas Sains dan Teknologi > Program Studi Teknik Informatika |
| Depositing User: | RIzka M Imron |
| Date Deposited: | 11 Aug 2025 07:42 |
| Last Modified: | 11 Aug 2025 07:42 |
| URI: | https://digilib.uinsgd.ac.id/id/eprint/114435 |
Actions (login required)
 |
View Item |
