ASRIYANTI, SRI (2026) Pengembangan Metode Random Forest untuk Prediksi ENSO Jangka Panjang. Thesis thesis, Universitas Hasanuddin.
H042251002-Nh5PUxGt0OFEpW2i-20261014194519.pdf
Restricted to Repository staff only
Download (2MB)
Abstract (Abstrak)
Latar belakang. El Niño–Southern Oscillation (ENSO) merupakan fenomena iklim global yang memengaruhi variabilitas cuaca dan iklim di berbagai wilayah dunia, termasuk Indonesia. Prediksi ENSO yang akurat penting untuk mendukung mitigasi bencana, pengelolaan sumber daya air, dan perencanaan sektor pertanian. Namun, model prediksi ENSO berbasis dinamika atmosfer–laut umumnya memiliki struktur yang kompleks dan memerlukan sumber daya komputasi yang besar. Tujuan. Penelitian ini bertujuan mengembangkan model prediksi ENSO jangka panjang berbasis machine learning menggunakan algoritma Random Forest (IndOzy-RF), serta mengevaluasi kinerjanya dengan membandingkannya terhadap Support Vector Regression (SVR) dan model IndOzy yang dikembangkan oleh Halide dan Ridd (2008), serta membandingkan hasil proyeksi dengan prakiraan ENSO dari International Research Institute (IRI). Metode. Penelitian menggunakan data anomali suhu permukaan laut (Sea Surface Temperature/SST) wilayah Niño 3.4 periode 1870–2025 yang diolah menjadi data musiman. Model dikembangkan menggunakan pendekatan sliding window dan struktur prediktor berbasis lag SST untuk menghasilkan prediksi hingga 11 musim ke depan. Data dibagi menjadi 75% untuk pelatihan dan 25% untuk pengujian. Evaluasi kinerja model dilakukan menggunakan Anomaly Correlation Coefficient (ACC) dan Root Mean Square Error (RMSE). Hasil. IndOzy-RF mampu mereproduksi variabilitas ENSO dengan kinerja yang lebih konsisten dibandingkan SVR dan IndOzy original, terutama pada lead time menengah hingga panjang. IndOzy-RF mempertahankan nilai ACC ≥ 0,5 hingga lead time 8 musim, sedangkan SVR dan IndOzy original hanya hingga 6 musim. Pada lead time 11 musim, IndOzy-RF menghasilkan ACC sebesar 0,41, lebih tinggi dibandingkan SVR sebesar 0,29 dan IndOzy original sebesar 0,25. Berdasarkan RMSE, IndOzy-RF juga menunjukkan kesalahan prediksi yang lebih rendah dibandingkan kedua model pembanding mulai lead time 3 musim hingga 11 musim. Hasil proyeksi menunjukkan bahwa IndOzy-RF cenderung mempertahankan kondisi netral dingin dan memiliki pola yang relatif sejalan dengan rata-rata model statistik IRI, meskipun berbeda dengan kecenderungan model dinamis IRI pada akhir periode proyeksi. Kesimpulan. Penggunaan Random Forest dalam kerangka IndOzy meningkatkan kemampuan mempertahankan keterampilan prediksi ENSO, terutama pada lead time menengah hingga panjang. Pendekatan IndOzy-RF menunjukkan potensi sebagai alternatif model prediksi ENSO berbasis data historis SST yang relatif sederhana untuk menghasilkan prakiraan hingga 11 musim ke depan.
| Item Type: | Thesis (Thesis) |
|---|---|
| Subjects: | Q Science > Q Science (General) |
| Divisions (Program Studi): | Fakultas Matematika dan Ilmu Peng. Alam > Geofisika |
| Depositing User: | Nasyir Nompo |
| Date Deposited: | 10 Nov 2026 07:04 |
| Last Modified: | 10 Nov 2026 07:04 |
| URI: | http://repository.unhas.ac.id:443/id/eprint/61787 |
