Perbandingan Random Forest Regression dan Support Vector Regression Pada Prediksi Laju Penguapan

Memprediksi laju penguapan memiliki manfaat yang luas dalam berbagai aplikasi seperti manajemen sumber daya air, pertanian, dan lingkungan hidup. Namun untuk mendapatkan data lengkap akurat mempelajari tantangan tersendiri. Selain itu, rendahnya tingkat linieritas antara faktor meteorologi lainnya di wilayah tropis dapat menyebabkan hasil prediksi bervariasi. Tujuan dari penelitian ini adalah memprediksi harian Stasiun Klimatologi Yogyakarta dengan membandingkan kinerja dua model machine learning (ML) yaitu random forest regression (RFR) support vector (SVR) menggunakan pengamatan harian. Untuk meningkatkan akurasi prediksi, dilakukan optimasi hyperparameter metode gridsearch cross-validation mencari kombinasi terbaik. Hasil pada training menunjukkan bahwa RFR menghasilkan skor RMSE sebesar -0,67 sementara SVR kernel RBF negatif -0,57. Evaluasi lebih lanjut testing nilai R2 0,79 0,56 sedangkan koefisien determinasi (R2) 0,81 0,53. Berdasarkan perbandingan kedua disimpulkan baik Penggunaan teknik ML menjadi solusi mengisi kekosongan signifikan bidang pertanian hidrologi. Penelitian selanjutnya melibatkan pengembangan sistem informasi pemantauan pengelolaan air efektif efisien.