PREDIKSI CUACA SESAAT (NOWCASTING) MENGGUNAKAN MACHINE LEARNING DI STASIUN METEOROLOGI SOEKARNO-HATTA

RIZQI CHIESA NURDIANSYAH, . (2025) PREDIKSI CUACA SESAAT (NOWCASTING) MENGGUNAKAN MACHINE LEARNING DI STASIUN METEOROLOGI SOEKARNO-HATTA. Sarjana thesis, UNIVERSITAS NEGERI JAKARTA.

	Text Cover.pdf Download (1MB)
	Text BAB 1.pdf Download (423kB)
	Text BAB 2.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text BAB 3.pdf Restricted to Registered users only Download (485kB) | Request a copy
	Text BAB 4.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text BAB 5.pdf Restricted to Registered users only Download (319kB) | Request a copy
	Text Daftar Pustaka.pdf Download (287kB)
	Text Lampiran.pdf Restricted to Registered users only Download (766kB) | Request a copy

Abstract

Prakiraan cuaca sesaat memiliki peran penting dalam berbagai sektor seperti pertanian, transportasi, dan penanggulangan bencana. Penelitian ini bertujuan mengimplementasikan metode machine learning untuk memprediksi cuaca sesaat dan mengidentifikasi parameter cuaca yang paling berpengaruh terhadap akurasi prediksi. Penelitian ini menggunakan pendekatan kuantitatif eksperimental dengan model Random Forest yang dioptimasi menggunakan teknik RandomizedSearchCV. Data yang digunakan adalah observasi historis cuaca dari Stasiun Meteorologi Soekarno-Hatta periode 1 Januari hingga 31 Desember 2024. Hasil penelitian menunjukkan F1-score pelatihan dan validasi model di atas 0,94 untuk semua kelas cuaca. Namun, pada pengujian menggunakan data imbalanced yang mencerminkan kondisi cuaca sebenarnya, model mencapai F1-score sebesar 0,967 untuk prediksi tidak hujan 1 jam ke depan, sementara kelas hujan menunjukkan performa lebih rendah berkisar 0,21 hingga 0,41. Kondisi cuaca saat ini merupakan parameter paling berpengaruh dengan F-Score 3508,58 (1 jam), 929,09 (2 jam), dan 397,43 (3 jam), diikuti curah hujan (515,34), kelembaban (173,98), dan suhu (56,74). Penelitian ini berhasil mengimplementasikan metode machine learning dalam memprediksi cuaca sesaat yang dapat diandalkan untuk kondisi cuaca umum, namun memerlukan strategi khusus untuk meningkatkan deteksi kejadian hujan dalam aplikasi operasional meteorologi penerbangan. Kata kunci : Prakiraan Cuaca sesaat, Machine Learning, Random Forest, Meteorologi. RandomizedSearchCV /***** Nowcasting plays a crucial role in various sectors such as agriculture, transportation, and disaster management. This research aims to implement machine learning methods for nowcasting weather prediction and identify weather parameters that most significantly influence prediction accuracy. This study employs a quantitative experimental approach using a Random Forest model optimized with RandomizedSearchCV technique. The data utilized consists of historical weather observations from Soekarno-Hatta Meteorological Station from January 1 to December 31, 2024. The research results demonstrate training and validation F1-scores above 0.94 for all weather classes. However, when tested using imbalanced data reflecting actual weather conditions, the model achieved an F1-score of 0.967 for no-rain prediction one hour ahead, while rain classes showed lower performance ranging from 0.21 to 0.41. Current weather conditions emerged as the most influential parameter with F-scores of 3508.58 (1 hour), 929.09 (2 hours), and 397.43 (3 hours), followed by precipitation (515.34), humidity (173.98), and temperature (56.74). This research successfully implemented machine learning methods for reliable weather nowcasting under general weather conditions, yet requires specific strategies to enhance rain event detection for operational aviation meteorology applications. Keywords: Nowcasting, Machine Learning, Random Forest, Meteorology. RandomizedSearchCV

Item Type:	Thesis (Sarjana)
Additional Information:	1). Dr. Mutia Delina, M.Si. ; 2). Alpon Sepriando, S.Kom.,M.Sc.
Subjects:	Sains > Sains, Ilmu Pengetahuan Alam Sains > Fisika
Divisions:	FMIPA > S1 Fisika
Depositing User:	Rizqi Chiesa Nurdiansyah .
Date Deposited:	26 Aug 2025 01:39
Last Modified:	26 Aug 2025 01:39
URI:	http://repository.unj.ac.id/id/eprint/61989

Actions (login required)

View Item