Analisis Komparatif Performa Model XGBoost dan LSTM dalam Prediksi Curah Hujan Jangka Pendek (Studi Kasus: Desa Jerukagung, Klirong, Kebumen)

Prediksi curah hujan jangka pendek skala lokal di wilayah Desa Jerukagung, Klirong, Kebumen memiliki kompleksitas tinggi akibat sifat atmosfer yang non-linear dan fluktuatif. Penelitian ini membandingkan performa algoritma machine learning (XGBoost) dan deep learning (LSTM) menggunakan pendekatan Two-Stage Modeling yang memadukan pre-training data reanalisis ERA5 dan satelit dengan fine-tuning data observasi stasiun Automatic Weather Station (AWS) berbasis IoT. Evaluasi dari satellite-based precipitation products (SPPs) menunjukkan GSMaP memiliki tingkat kesalahan volume paling minimal terhadap observasi AWS dengan nilai MAE 0,525 mm/jam dan RMSE 1,5 mm/jam, sehingga dipilih sebagai substitusi prediktor curah hujan. Pada pengujian pemodelan lokal, arsitektur LSTM Fine-Tuned terbukti sebagai model paling optimal dan presisi, mendominasi klasifikasi kejadian hujan (F1-Score: 0,618; ROC-AUC: 0,867) serta menghasilkan deviasi eror regresi volume paling minimal (MAE: 1,530 mm/jam; RMSE: 3,186 mm/jam). Sementara itu, XGBoost Fine-Tuned cenderung lebih selektif dengan Precision tertinggi (0,695), namun sensitivitas deteksinya menurun (Recall 0,452). Keunggulan LSTM mengonfirmasi bahwa mekanisme gerbang memori sekuensial waktu lebih adaptif dalam menangkap kontinuitas temporal presipitasi lokal dibandingkan tree-boosting