Forecasting cuaca ekstrem menggunakan random forest berbasis data petir dengan fitur spasial

INDONESIA:

Penelitian ini bertujuan untuk mengevaluasi kinerja algoritma Random Forest dalam forecasting cuaca ekstrem berbasis data aktivitas petir menggunakan metrik accuracy, precision, recall, dan F1-score dengan dataset aktivitas petir BMKG Stasiun Geofisika Kelas III Malang sebanyak 2.208 data. Metode yang digunakan adalah algoritma Random Forest dengan memanfaatkan karakteristik aktivitas petir Cloud to Ground Positive (CG+), Cloud to Ground Negative (CG-), Intra Cloud (IC), serta fitur spasial berupa latitude dan longitude. Pengujian dilakukan pada enam skenario menggunakan variasi fitur dan rasio pembagian data latih dan data uji (90:10, 80:20, dan 70:30), serta hyperparameter tuning yang dievaluasi menggunakan confusion matrix. Hasil penelitian menunjukkan bahwa penambahan fitur spasial meningkatkan performa model dibandingkan tanpa fitur spasial. Model terbaik diperoleh pada Skenario 1A dengan rasio 90:10 yang menghasilkan accuracy 98.64%, precision 88.46%, recall 100.00%, dan F1-score 93.87%. Hasil tersebut menunjukkan bahwa algoritma Random Forest berbasis data petir dan fitur spasial mampu meningkatkan kemampuan dalam forecasting cuaca ekstrem.

ENGLISH:

This study aims to evaluate the performance of the Random Forest algorithm in forecasting extreme weather based on lightning activity data using the metrics accuracy, precision, recall, and F1-score with a dataset of 2,208 lightning activity records from the BMKG Class III Geophysical Station in Malang. The method used was the Random Forest algorithm, utilizing the characteristics of Cloud-to-Ground Positive (CG+), Cloud-to-Ground Negative (CG-), and Intra-Cloud (IC) lightning activity, as well as spatial features such as latitude and longitude. Testing was conducted across six scenarios using variations in features and training-to-test data split ratios (90:10, 80:20, and 70:30), along with hyperparameter tuning evaluated using a confusion matrix. The results indicate that the inclusion of spatial features improves model performance compared to models without spatial features. The best model was obtained in Scenario 1A with a 90:10 ratio, yielding an accuracy of 98.64%, precision of 88.46%, recall of 100.00%, and an F1-score of 93.87%. These results demonstrate that the Random Forest algorithm based on lightning data and spatial features can improve the ability to forecast extreme weather.

ARABIC:

يهدف هذا البحث إلى تقييم أداء خوارزمية Random Forest في التنبؤ بالظواهر الجوية المتطرفة استنادًا إلى بيانات نشاط البرق، وذلك باستخدام مقاييس الدقة (accuracy) والدقة النوعية (precision) ومعدل الاسترجاع (recall) ومؤشر F1-score، مع استخدام مجموعة بيانات نشاط البرق الصادرة عن محطة الجيوفيزياء من الدرجة الثالثة التابعة لـ BMKG في مالانج، والتي تضم 2,208 قيمة. الطريقة المستخدمة هي خوارزمية Random Forest مع الاستفادة من خصائص نشاط البرق من نوع «السحابة إلى الأرض الموجبة (CG+)، و«السحابة إلى الأرض السالبة(CG-)، وداخل السحابة(IC)، بالإضافة إلى السمات المكانية المتمثلة في خطوط العرض وخطوط الطول. أُجريت الاختبارات على ستة سيناريوهات باستخدام تباينات في السمات ونسب توزيع البيانات التدريبية وبيانات الاختبار 90:10، و80:20، و70:30، بالإضافة إلى ضبط المعلمات الفائقة التي تم تقييمها باستخدام مصفوفة الارتباك. أظهرت نتائج البحث أن إضافة السمات المكانية تحسن أداء النموذج مقارنةً بعدم استخدام السمات المكانية. تم الحصول على أفضل نموذج في السيناريو 1A بنسبة 90:10، مما أدى إلى دقة بنسبة 98,64%، ودقة تحديد بنسبة 88,46%، ومعدل استرجاع بنسبة 100,00%، ودرجة F1 بنسبة 93,87%. وتشير هذه النتائج إلى أن خوارزمية Random Forest القائمة على بيانات الصواعق والسمات المكانية قادرة على تحسين القدرة على التنبؤ بالظواهر الجوية المتطرفة