Extreme Gradient Boosting for Daily Rainfall Forecasting in Medan City

Rabiahtul Adawiah Hasyani; Yulita Molliq Rangkuti; Elmanani Simamora; Said Iskandar Al Idrus; Kana Saputra S; Melanthon Pardamean  Haloho

doi:10.59934/jaiea.v5i2.2136

Authors

Rabiahtul Adawiah Hasyani Universitas Negeri Medan
Yulita Molliq Rangkuti Universitas Negeri Medan
Elmanani Simamora Universitas Negeri Medan
Said Iskandar Al Idrus Universitas Negeri Medan
Kana Saputra S Universitas Negeri Medan
Melanthon Pardamean Haloho BMKG Wil. 1 Medan

DOI:

https://doi.org/10.59934/jaiea.v5i2.2136

Keywords:

XGBoost, Forecast, Rainfall, Feature Importance, Feature engineering

Abstract

Curah hujan tinggi dan tidak teratur di Kota Medan sering menyebabkan banjir, sehingga peramalan curah hujan yang akurat sangat penting untuk mitigasi banjir. Studi ini bertujuan untuk meramalkan curah hujan harian dengan menerapkan metode Extreme Gradient Boosting (XGBoost). Proses pemodelan melibatkan pra-pemrosesan data, rekayasa fitur, dan standardisasi data. Kebaruan penelitian ini terletak pada integrasi XGBoost dengan teknik rekayasa fitur tingkat lanjut dan ambang batas kepentingan fitur untuk meningkatkan efisiensi dan akurasi model. Hasil evaluasi menunjukkan bahwa, dengan menggunakan rasio pembagian data 90:10, model mencapai MAE sebesar 1,05 dan RMSE sebesar 1,91. Analisis kepentingan fitur mengungkapkan bahwa CH_diff7, CH_diff1, dan CH_lag1 adalah prediktor yang paling dominan dalam peramalan curah hujan harian. Lebih lanjut, akurasi model ditingkatkan melalui pemilihan fitur, di mana penggunaan lima fitur teratas mengurangi MAE menjadi 0,99 dan RMSE menjadi 1,66. Temuan ini menunjukkan bahwa metode XGBoost, dikombinasikan dengan rekayasa fitur dan proses pemilihan fitur, memberikan pendekatan yang efektif untuk peramalan curah hujan harian di Kota Medan.

Downloads

Download data is not yet available.

References

M. F. Ihsan and Y. Muliati, “Analisis data curah hujan yang hilang dengan menggunakan metode rata-rata aljabar dan metode resiprokal,” Institut Teknologi Nasional Bandung, pp. 1–6, 2021. [Online]. Available: http://eprints.itenas.ac.id/1545/

Badan Pusat Statistik Provinsi Sumatera Utara, “Rata-rata kelembaban udara, curah hujan, penyinaran matahari, kecepatan angin, dan penguapan menurut stasiun tahun 2020,” 2020. [Online]. Available: https://sumut.bps.go.id

D. M. Pasaribu, “Tinjauan perundangan terhadap kebijakan dalam penanggulangan bencana banjir di Kota Medan,” Prosiding Mitigasi Bencana, pp.

–42, Nov. 2021.

E. Paramita, S. Humaidi, and Y. Darmawan, “Rainfall characteristics in Medan City with Pearson correlation analysis (case study of February 27, 2022),” Prisma Sains, vol. 11, no. 2, p. 561, 2023, doi: 10.33394/jps.v11i2.7852.

F. Insani, S. Fadilah, and S. Sanjaya, “Prediksi cuaca Pekanbaru menggunakan fuzzy Tsukamoto dan algoritma genetika,” in Seminar Nasional Teknologi Informasi, Komunikasi dan Industri (SNTIKI), 2020, pp. 255–262.

D. Mahajan and S. Sharma, “Prediction of rainfall using machine learning,” in Proc. 4th Int. Conf. Emerging Research in Electronics, Computer Science and Technology (ICERECT), 2022, doi: 10.1109/ICERECT56837.2022.10059679.

C. M. Liyew and H. A. Melese, “Machine learning techniques to predict daily rainfall amount,” Journal of Big Data, vol. 8, no. 1, 2021, doi:

10.1186/s40537-021-00545-4. M. T. Anwar, E. Winarno, W. Hadikurniawati, and M. Novita, “Rainfall prediction using Extreme Gradient Boosting,” Journal of Physics: Conference Series, vol. 1869, no. 1, 2021, doi: 10.1088/1742-6596/1869/1/012078.

A. Lisanthoni, F. I. Sari, E. L. Gunawan, and C. A. Adhigiadany, “Model prediksi kepadatan lalu lintas: Perbandingan algoritma Random Forest dan XGBoost,” Prosiding Seminar Nasional Sains Data, vol. 3, no. 1, pp. 296–303, 2023, doi: 10.33005/senada.v3i1.126.

I. Muslim Karo Karo, “Implementasi metode XGBoost dan feature importance untuk klasifikasi pada kebakaran hutan dan lahan,” Journal of Software

Engineering, Information and Communication Technology, vol. 1, no. 1, pp. 11–18, 2020.

BMKG Wilayah III Denpasar, “Daftar istilah musim,” Accessed: Oct. 28, 2025. [Online]. Available: https://bbmkg3.bmkg.go.id/daftar-istilah-musim

A. Azwar, E. Meilianda, and M. Masimin, “Kajian pola curah hujan durasi panjang terkait dengan waktu kejadian banjir di Kabupaten Aceh Utara,”

Jurnal Arsip Rekayasa Sipil dan Perencanaan, vol. 4, no. 1, pp. 39–48, 2022, doi: 10.24815/jarsp.v4i1.16723.

Z. A. Ali, Z. H. Abduljabbar, H. A. Taher, A. B. Sallow, and S. M. Almufti, “Exploring the power of eXtreme Gradient Boosting algorithm in machine

learning: A review,” Academic Journal of Nawroz University, vol. 12, no. 2, pp. 320–334, 2023.

W. Kurniawan and U. Indahyanti, “Prediksi angka harapan hidup penduduk menggunakan metode XGBoost,” Indonesian Journal of Applied Technology, vol. 1, no. 2, p. 18, 2024, doi: 10.47134/ijat.v1i2.3045.

A. Yaqin, “Penilaian kredit menggunakan algoritma XGBoost dan Logistic Regression,” Jurnal Informatika: Jurnal Pengembangan IT, vol. 8, no. 1, pp. 4–10, 2022, doi: 10.30591/jpit.v8i1.4337.

C. Wade, Hands-On Gradient Boosting with XGBoost and Scikit-Learn. Birmingham, U.K.: Packt Publishing, 2020.

T. Chen and C. Guestrin, “XGBoost: A scalable tree boosting system,” in Proc. ACM SIGKDD Int. Conf. Knowledge Discovery and Data Mining,

, pp. 785–794, doi: 10.1145/2939672.2939785.

D. Tarwidi, S. R. Pudjaprasetya, D. Adytia, and M. Apri, “An optimized XGBoost-based machine learning method for predicting wave run-up on a

sloping beach,” MethodsX, vol. 10, p. 102119, 2023, doi: 10.1016/j.mex.2023.102119.

S. F. N. Islam, A. Sholahuddin, and A. S. Abdullah, “Extreme gradient boosting (XGBoost) method in forecasting application and analysis of USD

exchange rates against rupiah,” Journal of Physics: Conference Series, vol. 1722, no. 1, 2021, doi: 10.1088/1742-6596/1722/1/012016.

R. M. Syafei and D. A. Efrilianda, “Machine learning model using XGBoost feature importance and LightGBM to improve bankruptcy prediction,”

Recursive Journal of Informatics, vol. 1, no. 2, pp. 64–72, 2023, doi: 10.15294/rji.v1i2.71229.

I. Daqiqil, Machine Learning: Teori, Studi Kasus, dan Implementasi Menggunakan Python. Yogyakarta, Indonesia: UR Press, 2021.

R. Fadilla, R. Andarsyah, R. M. Awangga, and R. Habibi, Data Analytics: Peningkatan Performa Algoritma Rekomendasi Collaborative Filtering Menggunakan K-Means Clustering. Bandung, Indonesia: Kreatif Industri Nusantara, 2020.

V. Cerqueira, L. Torgo, and I. Mozetič, “Evaluating time series forecasting models: An empirical study on performance estimation methods,” Machine Learning, vol. 109, no. 11, pp. 1997–2026, 2020, doi: 10.1007/s10994-020-05910-7.

M. Arhami and M. Nasir, Data Mining: Algoritma dan Implementasi. Yogyakarta, Indonesia: ANDI, 2020.

T. O. Hodson, “Root-mean-square error (RMSE) or mean absolute error (MAE): When to use them or not,” Geoscientific Model Development, vol. 15, pp. 5481–5496, 2022.