PENGEMBANGAN MODEL PREDIKSI INDIAN OCEAN DIPOLE (IOD) MENGGUNAKAN MODEL LINEAR DAN NON-LINEAR

Latar Belakang. Indian Ocean Dipole (IOD) merupakan fenomena variabilitas iklim antar-tahunan di Samudera Hindia yang berpengaruh terhadap pola curah hujan dan kondisi iklim di Indonesia, sehingga kemampuan prediksi yang akurat menjadi penting dalam mendukung upaya mitigasi risiko hidrometeorologi. Tujuan. Penelitian ini bertujuan mengimplementasikan dan membandingkan kinerja model linear dan non-linear dalam memprediksi indeks Indian Ocean Dipole (IOD) pada lead time 1-12 bulan. Metode. Penelitian ini menggunakan data bulanan Dipole Mode Index (DMI) dan Niño 3.4 periode 1870-2025. Pemodelan dilakukan menggunakan Multiple Linear Regression (MLR), Random Forest, Extreme Gradient Boosting (XGBoost), dan Long Short-Term Memory (LSTM). Kinerja model dievaluasi menggunakan Korelasi Pearson (r), Root Mean Square Error (RMSE), dan Peirce Skill Score (PSS) pada lead time 1-12 bulan. Hasil. Hasil penelitian menunjukkan bahwa seluruh model memiliki keterampilan prediksi yang sangat baik pada lead time 1 bulan. Model MLR memberikan performa terbaik dengan nilai Korelasi Pearson (r) sebesar 0,97398, RMSE sebesar 0,070657, dan PSS sebesar 0,88194. Seiring bertambahnya lead time, keterampilan prediksi seluruh model cenderung menurun, ditunjukkan oleh penurunan nilai Korelasi Pearson (r) dan PSS serta peningkatan nilai RMSE. Meskipun demikian, MLR tetap menunjukkan performa yang paling konsisten pada sebagian besar lead time. Kesimpulan. Model Multiple Linear Regression (MLR) merupakan model terbaik dalam penelitian ini karena menghasilkan nilai Korelasi Pearson (r) yang relatif lebih tinggi, nilai RMSE yang paling rendah, serta nilai PSS yang lebih baik dibandingkan model lainnya. Hasil penelitian menunjukkan bahwa prediksi indeks IOD memiliki tingkat akurasi yang lebih baik pada lead time jangka pendek, terutama hingga sekitar 3-4 bulan ke depan.