Penerapan Metode Support Vector Regression (SVR) dengan Kernel untuk Data Curah Hujan di Jawa Barat

Abstract. Accurate rainfall modeling is essential for mitigating hydrometeorological disasters such as floods and landslides. One effective method is Support Vector Regression (SVR), which can handle both linear and nonlinear relationships depending on the kernel used. This study aims to determine the best-performing kernel and optimal parameters for rainfall data in West Java. The optimized parameters include , (for RBF kernel), and (for polynomial kernel). The analysis stages include descriptive analysis, data preprocessing, linearity testing, kernel selection (RBF and polynomial), parameter tuning using grid search and cross-validation, and model evaluation using RMSE. The dataset, obtained from BMKG, includes rainfall, temperature, humidity, sunshine duration, and wind speed for the years 2023–2024. The results indicate that the SVR model with the RBF kernel achieved the best performance with an RMSE of 10.6860 on testing data, outperforming the polynomial kernel with an RMSE of 10.9149. The optimal parameters is RBF (C=2 ,gamma=0,2 ).Therefore, the SVR model using the RBF kernel is selected as the final model due to its effectiveness in modeling rainfall data in West Java. Abstrak. Pemodelan curah hujan yang akurat penting untuk mitigasi bencana hidrometeorologi seperti banjir dan tanah longsor. Salah satu metode yang dapat digunakan adalah Support Vector Regression (SVR), yang mampu menangani hubungan linier maupun nonlinier tergantung pada jenis kernel yang digunakan. Penelitian ini bertujuan menentukan kernel terbaik dan parameter optimal pada metode SVR untuk data curah hujan di Jawa Barat. Parameter yang dioptimasi mencakup , (untuk kernel RBF), dan (untuk kernel polynomial). Tahapan analisis meliputi analisis deskriptif, preprocessing data, uji linearitas, pemilihan kernel (RBF dan polynomial), tuning parameter dengan grid search dan cross-validation, serta evaluasi model menggunakan RMSE. Data diperoleh dari BMKG dan mencakup variabel curah hujan, suhu, kelembapan, penyinaran matahari, dan kecepatan angin selama 2023–2024. Hasil menunjukkan bahwa model SVR dengan kernel RBF menghasilkan performa terbaik dengan nilai RMSE sebesar 10,6860 pada data testing, lebih baik dibandingkan kernel polynomial dengan RMSE 10,9149. Parameter optimal yang didapat yaitu RBF (C=2 ,gamma=0,2). Oleh karena itu, SVR dengan kernel RBF dipilih sebagai model akhir karena lebih efektif dalam memodelkan curah hujan di Jawa Barat.