Pengembangan Model Prediksi ENSO (El Nino–Southern Oscillation) Menggunakan Model Linear dan Non-Linear

Latar Belakang. El Nino–Southern Oscillation (ENSO) merupakan fenomena interaksi laut–atmosfer yang memengaruhi variabilitas iklim dan dapat meningkatkan risiko kekeringan serta banjir di Indonesia. Prediksi indeks Nino 3.4 diperlukan untuk mendukung upaya antisipasi terhadap dampak ENSO. Tujuan. Penelitian ini bertujuan menerapkan dan membandingkan kinerja Multiple Linear Regression (MLR), Long Short-Term Memory (LSTM), Random Forest, dan Extreme Gradient Boosting (XGBoost) dalam memprediksi indeks Nino 3.4 pada lead time 1–12 bulan. Metode. Data yang digunakan berupa indeks Nino 3.4 dan Southern Oscillation Index (SOI) bulanan periode 1873–2025 yang diperoleh dari National Oceanic and Atmospheric Administration. Data Januari 1873–Desember 2009 digunakan sebagai data pelatihan, sedangkan Januari 2010–Juli 2025 digunakan sebagai data pengujian. Variabel masukan dibentuk dari 44 lag Nino 3.4 dan 44 lag SOI. Kinerja model dievaluasi menggunakan korelasi Pearson, Root Mean Square Error (RMSE), dan Peirce Skill Score (PSS). Hasil. Seluruh model menunjukkan kinerja yang baik pada lead time pendek, tetapi mengalami penurunan seiring bertambahnya horizon prediksi. MLR menunjukkan kinerja paling konsisten pada sebagian besar lead time berdasarkan ketiga metrik evaluasi. LSTM memberikan hasil yang baik pada horizon pendek, tetapi mengalami penurunan lebih besar pada horizon panjang. Random Forest dan XGBoost mampu mengikuti perubahan Nino 3.4, meskipun belum menunjukkan keunggulan yang konsisten. Pada lead time 10–12 bulan, Random Forest memiliki nilai korelasi yang sedikit lebih tinggi, sedangkan MLR tetap lebih konsisten ketika RMSE dan PSS turut dipertimbangkan. Kesimpulan. MLR merupakan model terbaik dalam penelitian ini untuk prediksi ENSO jangka pendek hingga menengah, sedangkan kemampuan seluruh model pada lead time panjang masih terbatas.