Penerapan Light Gradient Boosting Machine (LightGBM) dengan Fitur TIME Series untuk Peramalan Suhu Udara Harian Kota

PINASTHI, Kalista Ning (2026) Penerapan Light Gradient Boosting Machine (LightGBM) dengan Fitur TIME Series untuk Peramalan Suhu Udara Harian Kota. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Archive (FULL TEXT) penyerahantakalistaningpinasthis1statistika.zip Restricted to Repository staff only Download (5MB) \| Request a copy
	Text 1. COVER.pdf Download (222kB)
	Text 3. HALAMAN PENGESAHAN I.pdf Download (36kB)
	Text 4. HALAMAN PENGESAHAN II.pdf Download (57kB)
	Text 5. KATA PENGANTAR.pdf Download (247kB)
	Text 6. ABSTRAK.pdf Download (246kB)
	Text 7. ABSTRACT.pdf Download (245kB)
	Text 8. DAFTAR ISI.pdf Download (266kB)
	Text 12. BAB I PENDAHULUAN.pdf Download (294kB)
	Text 17. DAFTAR PUSTAKA.pdf Download (258kB)

Abstract

Suhu udara merupakan salah satu atribut iklim penting yang memengaruhi berbagai
sektor kehidupan, seperti kesehatan masyarakat, pertanian, infrastruktur, dan
aktivitas perkotaan. Peningkatan suhu udara harian berpotensi menimbulkan
berbagai risiko iklim sehingga diperlukan metode peramalan yang mampu
menghasilkan prediksi akurat untuk mendukung mitigasi risiko iklim. Data suhu
udara memiliki pola nonlinier serta ketergantungan temporal yang kuat sehingga
memerlukan pendekatan machine learning yang mampu menangkap pola tersebut
secara efektif. Penelitian ini menerapkan algoritma LightGBM dengan fitur time
series berupa fitur lag dan rolling mean untuk meramalkan suhu udara harian Kota
Semarang, sekaligus menganalisis mekanisme model melalui pendekatan leaf wise
growth dan histogram-based learning. LightGBM menggunakan kedua mekanisme
tersebut untuk meningkatkan efisiensi proses pelatihan model. Penelitian ini
menggunakan data iklim harian Kota Semarang sebanyak 803 observasi. Evaluasi
model dilakukan menggunakan RMSE, MAE, dan MAPE. Hasil penelitian
menunjukkan bahwa penambahan fitur time series meningkatkan performa prediksi
model, dengan nilai RMSE sebesar 0,5664, MAE sebesar 0,4395, dan MAPE
sebesar 1,57%, lebih baik dibandingkan dengan model tanpa fitur time series yang
menghasilkan nilai RMSE sebesar 0,5827, MAE sebesar 0,4544, dan MAPE
sebesar 1,62%.
Kata Kunci: Suhu udara harian, risiko iklim, machine learning, LightGBM, fitur
time series, leaf wise growth, histogram-based learning, peramalan

(NO. KETERSEDIAAN : 1679/E/2026)

Item Type:	Thesis (Undergraduate)
Subjects:	Sciences and Mathemathic
Divisions:	Faculty of Science and Mathematics > Department of Statistics
Depositing User:	Yemima Laras Sekarsari
Date Deposited:	15 Jul 2026 04:22
Last Modified:	15 Jul 2026 04:22
URI:	https://eprints2.undip.ac.id/id/eprint/56733

Actions (login required)

View Item

Search for collections on Undip Repository