Penelitian ini bertujuan untuk menerapkan metode Bayesian Ridge regression dalam memprediksi curah hujan jangka pendek berdasarkan data historis curah hujan dan variabel meteorologi pendukung. Prediksi curah hujan merupakan salah satu aspek penting dalam bidang klimatologi dan mitigasi bencana karena memiliki pengaruh terhadap sektor pertanian, pengelolaan sumber daya air, dan aktivitas masyarakat. Metode Bayesian Ridge regression dipilih karena mampu mengatasi permasalahan multikolinearitas antar variabel prediktor serta mengurangi resiko overfitting melalui pendekatan probabilistik Bayesian. Data penelitian diperoleh dari Kaggle yang terdiri atas 516 data observasi dan ditingkatkan melalui proses augmentasi hingga mencapai 1000 dataset. Variabel yang digunakan meliputi curah hujan periode sebelumnya, suhu udara, kelembapan udara, tekanan udara, dan kecepatan angin. Tahapan penelitian meliputi preprocessing data, standardisasi menggunakan Standardscaler, pembagian data training dan testing dengan rasio 80:20, pelatihan model, serta evaluasi menggunakan Mean Squared Error (MSE), Mean Absolute Error (MAE), dan R-Squared (R2). Hasil penelitian Menunjukkan bahwa model Bayesian Ridge Regression mampu menghasilkan prediksi curah hujan dengan nilai MAE sebesar 15,70 mm, MSE sebesar 459.09, dan R2 sebesar -0,0127. Meskipun model belum mampu menangkap seluruh pola non-linear dan lonjakan curah hujan ekstream, metode ini tetap menunjukkan kestabilan dalam memprediksi tren umum curah hujan harian. Dengan demikian, Bayesian Ridge regression dapat digunakan sebagai pendekatan alternatif dalam sistem prediksi curah hujan jangka pendek berbasis machine learning.
References
Afham, M., Nur, I. M., & Utami, W. (2017). Pemodelan Regresi Ridge Pada Kasus Curah Hujan Di Kota Semarang. Prosiding Seminar Nasional Dan International, 165–176.
Alvines, M., Ravi Wijayanto, M., Archi Daffa Danendra, M., Rizky Herdiansyah, M., Karimsyah Lubis, M., Ichsan Farel Rachmad, M., Ditha Tania, K., & Meiriza, A. (2025). Komparasi Ridge Regression, Random Forest, Dan Gradient Boosting Untuk Prediksi Curah Hujan Harian Di Sumatra Selatan Berbasis Time Series Cross-Validation. JATI (Jurnal Mahasiswa Teknik Informatika), 9(4), 5742–5748. https://doi.org/10.36040/jati.v9i4.13915
Assaf, A. G., Tsionas, M., & Tasiopoulos, A. (2019). Diagnosing and correcting the effects of multicollinearity: Bayesian implications of ridge regression. Tourism Management, 71, 1–8. https://doi.org/10.1016/j.tourman.2018.09.008
Astarini, A., & Adriat, R. (2022). Studi Perbandingan Metode Penentuan Intensitas Curah Hujan Berdasarkan Karakteristik Curah Hujan Kalimantan Barat. 10(1), 1–7.
Gelman, A., Carlin, J. B., Stern, H. S., & Rubin, D. B. (1995). Bayesian Data Analysis. In Bayesian Data Analysis. Chapman and Hall/CRC. https://doi.org/10.1201/9780429258411
Golam Kibria, B. M., & Lukman, A. F. (2020). A new ridge-type estimator for the linear regression model: Simulations and applications. Scientifica, 2020. https://doi.org/10.1155/2020/9758378
Kruschke, J. K., & Liddell, T. M. (2018). Bayesian data analysis for newcomers. Psychonomic Bulletin and Review, 25(1), 155–177. https://doi.org/10.3758/s13423-017-1272-1
Muharsyah, R., Ratri, D. N., Informasi, P., Iklim, P., Meteorologi, B., & No, J. A. (2021). Meningkatkan Kualitas Prediksi Curah Hujan Musiman saat Fase ENSO Menggunakan Metode Bayesian Model Averaging (BMA), Studi Kasus: Pulau Jawa Improving Quality of Seasonal Rainfall Prediction during ENSO Phase using Bayesian Model Averaging (BMA) Meth. 45(1), 13–25.
Sahriman, S., & Upa, D. (2024). Statistical Downscaling Model with Jackknife Ridge Regression and Modified Jackknife Ridge Regression to Forecast Rainfall. Indonesian Journal of Statistics and Its Applications, 8, 155–165. https://doi.org/10.29244/ijsa.v8i2p155-165
Samadi-koucheksaraee, A., & Chu, X. (2024). Development of a novel modeling framework based on weighted kernel extreme learning machine and ridge regression for streamflow forecasting. Dept 2470, 1–26.
Saputra Saragih, M. R., & Akbar Siregar, F. (2024). APLIKASI DETEKSI GAMBAR HASIL SCAN MENGGUNAKAN METODE COSINE SIMILARITY BERBASIS MOBILE. JATI (Jurnal Mahasiswa Teknik Informatika), 8, 11598–11604. https://doi.org/10.36040/jati.v8i6.1154
Schreiber-Gregory, D. N. (2018). Ridge Regression and multicollinearity: An in-depth review. Model Assisted Statistics and Applications, 13, 359–365. https://doi.org/10.3233/MAS-180446
Siswanto, S., Gozhi, M. Z. H., Taufik, M. I., Kalondeng, A., & Sahriman, S. (2025). Linearized Ridge Regression Modeling with MM-Estimator in Statistical Downscalling for Rainfall Forecasting. Jurnal Matematika, Statistika Dan Komputasi, 21(3), 796–812. https://doi.org/10.20956/j.v21i3.4320
Snaan, R. A., & Shukur, O. B. (2025). Using Bayesian Ridge Regression Model and ESN for Climatic Time Series Forecasting. 14(September), 1226–1243. https://doi.org/10.19139/soic-2310-5070-2637
Tew, S. Y., Boley, M., & Schmidt, D. F. (2023). Bayes beats Cross Validation: Efficient and Accurate Ridge Regression via Expectation Maximization.
Wang, Y., Pei, L., & Wang, J. (2024). Precipitation prediction in several Chinese regions using machine learning methods. International Journal of Dynamics and Control, 12, 1180–1196. https://doi.org/10.1007/s40435-023-01250-1