Perbandingan Model Decision Tree untuk Prediksi Intensitas Hujan di Juanda, Sidoarjo, Jawa Timur

Английский. Rainfall intensity is one of the key parameters in climate dynamics and is strongly associated with the increasing occurrence of hydrometeorological disasters. This study aims to evaluate and compare the performance of three decision tree–based machine learning models in predicting rainfall intensity in the Juanda region, Sidoarjo, East Java. The data used consist of daily weather observations from the Juanda Class I Meteorological Station during the period 2018–2022, covering 13 meteorological variables. The models compared include the Extra Trees Classifier, Random Forest Classifier, and XGBoost Classifier, with performance evaluation based on accuracy, precision, recall, F1 score, and Area Under the Curve (AUC). The results indicate that the Extra Trees Classifier demonstrates the best performance, with an accuracy of 0.8123; precision of 0.8151; recall of 0.8123; AUC of 0.9158; and F1 score of 0.8126. Relative humidity (Rh) was identified as the most influential variable in predicting rainfall intensity across all three models. These findings provide further insights into the relationship between daily weather parameters and rainfall intensity and contribute to the development of more accurate predictive systems as a basis for hydrometeorological disaster mitigation in the study area.

индонезийский. Intensitas hujan merupakan salah satu parameter penting dalam dinamika iklim dan sangat berkaitan dengan peningkatan kejadian bencana hidrometeorologi. Penelitian ini bertujuan untuk mengevaluasi dan membandingkan performa tiga model pembelajaran mesin berbasis decision tree dalam memprediksi intensitas hujan di wilayah Juanda, Sidoarjo, Jawa Timur. Data yang digunakan berupa data observasi cuaca harian dari Stasiun Meteorologi Kelas I Juanda selama periode 2018–2022, yang mencakup 13 variabel meteorologis. Model yang dibandingkan meliputi Extra Trees Classifier, Random Forest Classifier, dan XGBoost Classifier, dengan evaluasi kinerja berdasarkan metrik akurasi, presisi, recall, F1 Score, dan Area Under the Curve (AUC). Hasil penelitian menunjukkan bahwa Extra Trees Classifier memiliki performa terbaik dengan nilai akurasi 0,8123; presisi 0,8151; recall 0,8123; AUC 0,9158; dan F1 Score 0,8126. Kelembaban relatif (Rh) teridentifikasi sebagai variabel yang paling berpengaruh dalam proses prediksi intensitas hujan pada ketiga model. Temuan ini memberikan pemahaman lebih lanjut mengenai hubungan antara parameter cuaca harian dan intensitas hujan, serta berkontribusi dalam pengembangan sistem prediksi yang lebih akurat sebagai dasar mitigasi bencana hidrometeorologi di wilayah studi.