Perbandingan LSTM dan XGBoost untuk Prediksi Multi-Horizon Suhu dan Curah Hujan Harian pada Grid ERA5 Jakarta Pusat

Abstract

Prediksi deret meteorologis perkotaan tropis menghadapi dua karakter target yang berbeda: suhu relatif kontinu dan berautokorelasi,
sedangkan curah hujan harian bersifat zero-inflated, menceng, dan mengandung kejadian ekstrem. Penelitian ini membandingkan Long
Short-Term Memory (LSTM) dan Extreme Gradient Boosting (XGBoost) untuk direct multi-horizon forecasting t+1, t+7, dan t+14
pada satu grid reanalysis ERA5 yang dipilih menggunakan koordinat acuan Jakarta Pusat. Data harian 1 Januari 2005-21 Juli 2026
diakses melalui Open-Meteo, kemudian dibagi secara kronologis menjadi train, validation, main test 2024-2025, dan out-of-time (OOT)
test Januari-Juli 2026. Model dibangun terpisah untuk setiap target-horizon, dioptimalkan dengan random search dan early stopping,
serta dibandingkan dengan baseline kausal menggunakan RMSE, MAE, R², dan bias. Pada main test, XGBoost memperoleh RMSE
terendah pada enam tugas; selisih terhadap LSTM adalah 0,34%-5,48% untuk suhu dan 1,72%-3,18% untuk hujan. Semua model suhu
melampaui baseline, tetapi model hujan hanya melampauinya pada t+1; klimatologi bulanan tetap lebih baik pada t+7 dan t+14.
Peringkat XGBoost konsisten pada OOT, tetapi periode OOT yang lebih pendek dan berbeda komposisi musim tidak dapat
dibandingkan langsung dengan main test. Hasil mendukung XGBoost sebagai model yang lebih stabil dan efisien dalam ruang
eksperimen ini, bukan sebagai bukti superioritas universal. Prediksi intensitas hujan ekstrem tetap menjadi keterbatasan utama.