Optimasi Feature Engineering untuk model Support Vector Regression dalam peramalan cuaca Multivariat

Hadid, Risyad Addiva (2026) Optimasi Feature Engineering untuk model Support Vector Regression dalam peramalan cuaca Multivariat. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 01_cover.pdf Download (110kB) | Preview
Preview	Text (ABSTRAK) 02_abstrak.pdf Download (235kB) | Preview
Preview	Text (SK BEBAS PLAGIARISME) 03_skbebas plagiarism.pdf Download (786kB) | Preview
Preview	Text (DAFTAR ISI) 04_daftar isi.pdf Download (152kB) | Preview
Preview	Text (BAB I) 05_bab I.pdf Download (317kB) | Preview
	Text (BAB II) 06_bab II.pdf Restricted to Registered users only Download (386kB)
	Text (BAB III) 07_bab III.pdf Restricted to Registered users only Download (358kB)
	Text (BAB IV) 08_bab IV.pdf Restricted to Registered users only Download (4MB)
	Text (BAB V) 09_bab V.pdf Restricted to Registered users only Download (176kB)
	Text (DAFTAR PUSTAKA) 10_daftar pustaka.pdf Restricted to Registered users only Download (161kB)

Abstract

Peramalan curah hujan berbasis machine learning menghadapi tantangan mendasar, yaitu ketidakmampuan model seperti Support Vector Regression (SVR) untuk mengenali pola temporal secara langsung dari data cuaca mentah. Penelitian ini bertujuan menganalisis pengaruh teknik feature engineering terhadap akurasi model SVR dalam peramalan curah hujan harian menggunakan data cuaca multivariat. Dataset yang digunakan merupakan data iklim harian Stasiun BMKG Kota Bandung periode Januari 1993 hingga Oktober 2025 dengan total 11.798 baris data, mencakup variabel suhu minimum (TN), suhu maksimum (TX), suhu rata-rata (TAVG), kelembapan rata-rata (RH_AVG), dan curah hujan (RR) sebagai variabel target. Penelitian dilaksanakan menggunakan kerangka kerja CRISP-DM melalui tiga skenario eksperimen: Skenario 1 sebagai baseline dengan 4 fitur asli, Skenario 2 menerapkan feature creation dengan 9 fitur melalui penambahan lag_1, lag_7, rolling_mean_7, month_sin, dan month_cos, serta Skenario 3 menggabungkan feature creation dan feature selection berbasis korelasi Pearson dengan ambang batas ≥ 0,3 yang menghasilkan 2 fitur terpilih. Optimasi hyperparameter SVR dengan kernel RBF dilakukan menggunakan GridSearchCV dan TimeSeriesSplit 5-fold. Hasil evaluasi menunjukkan peningkatan performa yang konsisten: Skenario 1 memperoleh RMSE = 11,1908 mm, MAE = 7,4706 mm, R² = 0,0507; Skenario 2 memperoleh RMSE = 10,6093 mm, MAE = 7,2818 mm, R² = 0,1472; dan Skenario 3 mencapai performa terbaik dengan RMSE = 10,3320 mm, MAE = 6,6346 mm, R² = 0,1912. Skenario 3 yang hanya menggunakan dua fitur—rolling_mean_7 dan RH_AVG—berhasil mengungguli seluruh skenario lainnya, membuktikan bahwa kualitas dan relevansi fitur lebih menentukan performa SVR dibandingkan kuantitas fitur. Penelitian ini membuktikan secara empiris bahwa kombinasi feature creation temporal dengan feature selection berbasis korelasi merupakan strategi yang efektif dalam mengoptimalkan model SVR untuk peramalan cuaca multivariat.

Actions (login required)

View Item