Deskripsi
Indonesia merupakan negara yang sangat rentan terhadap bencana alam, khususnya banjir, akibat kondisi geografisnya sebagai negara kepulauan dengan banyak wilayah pesisir dan dataran rendah. Jakarta menjadi salah satu kota yang paling terdampak, di mana kerugian akibat banjir diproyeksikan meningkat hingga 402% pada tahun 2050 dibandingkan 2020. Hal ini menunjukkan urgensi prediksi curah hujan yang akurat, karena variabilitas curah hujan merupakan salah satu pemicu utama terjadinya banjir. Kompleksitas pola curah hujan di wilayah tropis menjadikan peramalan curah hujan sebagai tantangan besar dalam bidang klimatologi maupun sains data. Pendekatan machine learning, khususnya Support Vector Regression (SVR), menawarkan solusi potensial dalam prediksi curah hujan. Namun, performa SVR sangat bergantung pada pemilihan hyperparameter (C dan gamma) yang optimal. Metode optimasi konvensional lain seringkali memerlukan komputasi besar. Alternatifnya, Particle Swarm Optimization (PSO) banyak digunakan, tetapi algoritma ini masih menghadapi keterbatasan berupa kestabilan konvergensi yang lemah. Untuk mengatasi hal tersebut, penelitian ini mengusulkan penggunaan Tanh-Based Particle Swarm Optimization (TB-PSO) dalam optimasi hyperparameter SVR untuk prediksi curah hujan. Fungsi tanh memungkinkan transisi koefisien percepatan yang lebih mulus dan bertahap, menjaga keragaman swarm, serta mencegah terjebak pada local optima. Kontribusi utama penelitian ini adalah memperluas penerapan TB-PSO dari pengembangan teoretis menuju aplikasi nyata dalam prediksi iklim.
