Prediksi cuaca Multi-Horizon 1-6 jam pada Wilayah Menggunakan Algoritma LightGBM
Keywords:
LightGBM, prakiraan cuaca per-jam, multi-horizon, gradient boostingAbstract
Perubahan cepat dalam kondisi cuaca memiliki dampak signifikan terhadap berbagai sektor dan aktivitas di suatu daerah, sehingga sangat penting untuk memiliki prakiraan cuaca jangka pendek yang tepat dan cepat di tingkat lokal. Penelitian ini menggunakan algoritma LightGBM untuk memprediksi empat parameter cuaca, yaitu suhu, kelembapan, curah hujan, dan kecepatan angin, pada beberapa batas waktu, yaitu 1, 3, dan 6 jam ke depan, di beberapa lokasi dengan karakteristik iklim yang beragam. Data cuaca yang diperoleh setiap menit diubah menjadi format per jam, kemudian dibersihkan dan diproses menjadi fitur terkait waktu, lokasi, serta kondisi cuaca saat ini, serta rolling statistics untuk menangkap dinamika sementara, guna melatih model multi output. Sebagai pembanding, kinerja model LightGBM diuji dengan dua baseline, yaitu yagn pertama adalah Random Forest serta persistence forecast. Kinerja model dievaluasi dengan menggunakan metrik MAE, RMSE, galat ternormalisasi (nRMSE), dan koefisien determinasi (R²) baik secara individual untuk setiap variabel maupun per batas waktu. Hasil pengujian menunjukkan bahwa model mampu menjelaskan sekitar 65% variasi dari keempat parameter (R² makro 0,65; nRMSE 0,49), di mana suhu (R² 0,98) dan kelembapan (R² 0,89) adalah parameter yang paling akurat, kecepatan angin tergolong sedang karena menyentuh R² 0,66, sedangkan curah hujan menjadi yang paling sulit diprediksi (R² 0,08). LightGBM mengungguli kedua baseline pada seluruh parameter termasuk pada curah hujan, yang dimana Random Forest dan persistence forecast justru menghasilkan R² negatif sehingga keunggulan tidak dipengaruhi oleh data Akurasi model mengalami penurunan seiring dengan bertambahnya batas waktu, dari R² 0,75 pada horizon 1 jam, menjadi 0,54 pada 6 jam, sehingga fokus model adalah pada prakiraan jangka pendek 1–6 jam. Dengan demikian, pendekatan gradient boosting berbasis LightGBM dinilai sangat efisien untuk prakiraan cuaca multi-horizon jangka pendek.
References
[1]M. Zanchi, S. Zapperi, S. Bocchi, O. Drofa, S. Davolio, and C. A. M. La Porta, “Improving localized weather predictions for precision agriculture: A Time-Series Mixer approach for hazardous event detection,” Environmental Modelling & Software, vol. 191, p. 106509, Jun. 2025, doi: 10.1016/J.ENVSOFT.2025.106509.
[2]R. Tang, Y. Ning, C. Li, W. Feng, Y. Chen, and X. Xie, “Numerical forecast correction of temperature and wind using a single‐station single‐time spatial lightgbm method,” Sensors, vol. 22, no. 1, Jan. 2022, doi: 10.3390/s22010193.
[3]B. Carrera and K. Kim, “Comparison analysis of machine learning techniques for photovoltaic prediction using weather sensor data,” Sensors (Switzerland), vol. 20, no. 11, Jun. 2020, doi: 10.3390/s20113129.
[4]K. Blazakis, S. Perrakis, E. Karapidakis, F. Mavromatakis, and Y. Katsigiannis, “ML-Based Multi-Horizon Wind Speed and Wind Direction Forecasting for Aviation and Energy Applications in Coastal Crete,” Electronics (Switzerland), vol. 14, no. 24, Dec. 2025, doi: 10.3390/electronics14244856.
[5]T. Hall and K. Rasheed, “A Survey of Machine Learning Methods for Time Series Prediction,” Jun. 01, 2025, Multidisciplinary Digital Publishing Institute (MDPI). doi: 10.3390/app15115957.
[6]V. S. Monego, J. A. Anochi, and H. F. de Campos Velho, “South America Seasonal Precipitation Prediction by Gradient-Boosting Machine-Learning Approach,” Atmosphere (Basel)., vol. 13, no. 2, Feb. 2022, doi: 10.3390/atmos13020243.
[7]A. Kumar, J. Farmania, and P. P. Suresh, “Weather Prediction using Machine Learning Regression Models.”
[8]“LightGBM’s effectiveness in Rainfall Prediction.” [Online]. Available: https://ssrn.com/abstract=4397719
[9]G. Ke et al., “LightGBM: A Highly Efficient Gradient Boosting Decision Tree,” 2017. [Online]. Available: https://www.researchgate.net/publication/378480234
[10]S. Khazem and H. Kanso, “Cyclical Temporal Encoding and Hybrid Deep Ensembles for Multistep Energy Forecasting,” Dec. 2025, [Online]. Available: http://arxiv.org/abs/2512.03656
[11]S. Albelali and M. Ahmed, “Hidden Leaks in Time Series Forecasting: How Data Leakage Affects LSTM Evaluation Across Configurations and Validation Strategies”.
[12]I. Y. Purbasari, A. Priharyoto Bayuseno, R. Rizal Isnanto, and T. I. Winarni, “Readmission Risk Prediction After Total Hip Arthroplasty Using Machine Learning and Hyperparameter Optimized with Bayesian Optimization.” [Online]. Available: www.ijacsa.thesai.org
[13]F. T. Anggraeny, Y. V. Via, and R. Mumpuni, “Image preprocessing analysis in handwritten Javanese character recognition,” Bulletin of Electrical Engineering and Informatics, vol. 12, no. 2, pp. 860–867, Apr. 2023, doi: 10.11591/eei.v12i2.4172.
