Analisis Komparatif Algoritma Random Forest dan Multiple Linear Regression untuk Prediksi Suhu Udara dengan Rekayasa Fitur Siklik

Abstract

Prediksi temperatur cuaca merupakan tantangan signifikan dalam bidang meteorologi dan pertanian presisi dikarenakan karakteristik data atmosfer yang sangat fluktuatif dan non-linear. Penelitian ini bertujuan untuk melakukan analisis komparatif kinerja algoritma Machine Learning dalam mengestimasi suhu udara harian, dengan membandingkan model Multiple Linear Regression sebagai baseline dan Random Forest Regressor sebagai model utama. Eksperimen melibatkan penerapan teknik rekayasa fitur (feature engineering) yang komprehensif, khususnya transformasi variabel arah angin menjadi komponen vektor kontinu serta ekstraksi fitur waktu menjadi komponen siklik untuk menangkap pola musiman. Berdasarkan hasil evaluasi menggunakan dataset historis cuaca, model Random Forest menunjukkan performa yang lebih superior dibandingkan Multiple Linear Regression, dengan capaian nilai Koefisien Determinasi ( ) sebesar 0.990, Mean Absolute Error (MAE) sebesar 0.74°C, dan Root Mean Squared Error (RMSE) sebesar 0.95. Hasil analisis membuktikan bahwa pendekatan ensemble learning dengan penanganan fitur siklik jauh lebih efektif dalam memetakan kompleksitas interaksi variabel cuaca dibandingkan metode linear konvensional