PREDIKSI KEJADIAN HUJAN MENGGUNAKAN METODE ENSEMBLE LEARNING DI STASIUN METEOROLOGI SANGKAPURA

Enjelita Samosir, 3012210014 (2026) PREDIKSI KEJADIAN HUJAN MENGGUNAKAN METODE ENSEMBLE LEARNING DI STASIUN METEOROLOGI SANGKAPURA. Undergraduate thesis, UNIVERSITAS INTERNASIONAL SEMEN INDONESIA.

	Text (COVER) COVER.pdf Download (248kB)
	Text (HALAMAN JUDUL) HALAMAN JUDUL.pdf Restricted to Repository staff only Download (171kB) | Request a copy
	Text (HALAMAN PENGESAHAN) HALAMAN PENGESAHAN.pdf Restricted to Repository staff only Download (522kB) | Request a copy
	Text (HALAMAN PERSETUJUAN PUBLIKASI) HALAMAN PERSETUJUAN PUBLIKASI.pdf Restricted to Repository staff only Download (353kB) | Request a copy
	Text (HALAMAN PERNYATAAN ORISINALITAS) HALAMAN PERNYATAAN ORISINALITAS.pdf Restricted to Repository staff only Download (309kB) | Request a copy
	Text (LEMBAR HASIL FINAL DETEKSI PLAGIASI SKRIPSI) LEMBAR HASIL FINAL DETEKSI PLAGIASI SKRIPSI.pdf Restricted to Repository staff only Download (517kB) | Request a copy
	Text (ABSTRAK) ABSTRAK.pdf Download (422kB)
	Text (KATA PENGANTAR) KATA PENGANTAR.pdf Restricted to Repository staff only Download (344kB) | Request a copy
	Text (DAFTAR ISI) DAFTAR ISI.pdf Download (467kB)
	Text (DAFTAR GAMBAR) DAFTAR GAMBAR.pdf Restricted to Repository staff only Download (426kB) | Request a copy
	Text (DAFTAR TABEL) DAFTAR TABEL.pdf Restricted to Repository staff only Download (425kB) | Request a copy
	Text (BAB I PENDAHULUAN) BAB I PENDAHULUAN.pdf Download (428kB)
	Text (BAB II KAJIAN PUSTAKA) BAB II KAJIAN PUSTAKA.pdf Restricted to Registered users only Download (619kB) | Request a copy
	Text (BAB III METODOLOGI PENELITIAN) BAB III METODOLOGI PENELITIAN.pdf Restricted to Registered users only Download (517kB) | Request a copy
	Text (BAB IV HASIL DAN PEMBAHASAN) BAB IV HASIL DAN PEMBAHASAN.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (BAB V PENUTUP) BAB V PENUTUP.pdf Restricted to Registered users only Download (398kB) | Request a copy
	Text (DAFTAR PUSTAKA) DAFTAR PUSTAKA.pdf Download (412kB)
	Text (LAMPIRAN) LAMPIRAN.pdf Restricted to Repository staff only Download (1MB) | Request a copy
	Text (SKRIPSI - ENJELITA SAMOSIR (3012210014)) SKRIPSI - ENJELITA SAMOSIR (3012210014).pdf Restricted to Repository staff only Download (4MB) | Request a copy
	Text (SKRIPSI - ENJELITA SAMOSIR (3012210014)) SKRIPSI - ENJELITA SAMOSIR (3012210014).docx Restricted to Repository staff only Download (14MB) | Request a copy
	Image (Poster - 3012210014 (Enjelita Samosir)) Poster - 3012210014 (Enjelita Samosir).png Download (3MB)

Abstract

Klasifikasi kejadian hujan (hujan/tidak hujan) secara akurat sangat dibutuhkan untuk mendukung sistem peringatan dini di wilayah kepulauan, salah satunya Pulau Bawean yang dilayani Stasiun Meteorologi Sangkapura. Penelitian ini bertujuan mengembangkan dan membandingkan performa model single Classifier (Random Forest, XGBoost, SVM, Logistic Regression, Decision Tree) dengan model Ensemble Majority Voting yang mengintegrasikan kelima algoritma tersebut, baik dengan maupun tanpa teknik SMOTE untuk menangani ketidakseimbangan kelas. Data yang digunakan adalah 739 observasi harian BMKG periode Mei 2024 hingga Mei 2026, dengan variabel prediktor TAVG, RH_AVG, SS, FF_AVG, dan DDD_CAR, dibagi menjadi 517 data latih dan 222 data uji melalui stratified split 70:30. Enam skenario pengujian dijalankan untuk menjawab lima rumusan masalah penelitian. Hasil menunjukkan Ensemble dengan SMOTE (Skenario 4) mencapai F1-Score 83,76% dengan total error 38 dari 222 data uji (20 False Positive, 18 false negative), unggul dibanding Ensemble tanpa SMOTE. Namun, Logistic Regression dengan SMOTE justru mencatat performa terbaik secara keseluruhan (Accuracy 84,23%, F1-Score 84,72%), melampaui seluruh model Ensemble maupun model berbasis pohon, sehingga model paling kompleks tidak selalu menghasilkan error klasifikasi terendah. Pengujian sensitivitas komposisi (Skenario 5 dan 6) menunjukkan bahwa penggantian Decision Tree atau Logistic Regression dengan KNN menurunkan total error dan meningkatkan F1-Score, dengan Skenario 6 mencatat performa tertinggi (F1-Score 85,11%). Analisis Feature importance menggunakan Mean Decrease Gini mengidentifikasi lama penyinaran matahari (SS) sebagai variabel paling dominan, diikuti kelembapan relatif (RH_AVG) dan suhu rata-rata (TAVG). Skenario 4 tetap dipilih sebagai model utama karena robustness-nya, dan telah diimplementasikan pada prototipe dashboard peringatan dini berbasis Streamlit. Penelitian ini memberikan kontribusi metodologis dalam pemilihan model klasifikasi hujan berbasis machine learning yang mempertimbangkan tidak hanya akurasi, tetapi juga tingkat error dan robustness model pada skala lokal kepulauan.

Item Type:	Thesis (Undergraduate)
Additional Information:	Softfile/KK.26/UISI-01/IF
Uncontrolled Keywords:	Klasifikasi Kejadian Hujan, Ensemble Learning, Majority Voting, SMOTE, Stasiun Meteorologi Sangkapura
Contributors:	Contribution Name Email Thesis advisor Muhammad Zain Fawwaz Nuruddin Siswantoro, S.Kom., M.Kom. muhammad.siswantoro@uisi.ac.id
Subjects:	T Technology > T Technology (General)
Divisions:	Department of Informatics
Depositing User:	Enjelita Samosir
Date Deposited:	24 Aug 2026 16:10
Last Modified:	24 Aug 2026 16:12
URI:	https://repository.uisi.ac.id/id/eprint/9268

Actions (login required)

View Item