SISTEM ESTIMASI WAKTU TIBA HUJAN (ETA) BERBASIS MACHINE LEARNING DENGAN PENERAPAN TEKNIK DATA FUSION DARI SISTEM PEMANTAUAN CUACA IOT MULTI-NODE

Penelitian ini bertujuan mengembangkan sistem estimasi waktu tiba hujan (Estimated Time of Arrival/ETA) berbasis machine learning dengan memanfaatkan teknik data fusion dari sistem pemantauan cuaca Internet of Things (IoT) multi-node. Penelitian dilakukan karena sistem prediksi cuaca konvensional umumnya kurang mampu merepresentasikan kondisi cuaca dan pola perambatan hujan pada skala lokal. Data penelitian diperoleh dari dua node sensor yang ditempatkan di Perumahan Puri Intan Pabuaran dan Universitas Amikom Purwokerto selama dua minggu pengamatan. Variabel yang digunakan meliputi suhu udara, kelembapan udara, tekanan udara, dan kondisi hujan yang dikumpulkan secara real-time melalui Firebase. Metode penelitian meliputi pengumpulan data, preprocessing, penerapan data fusion dan feature engineering, analisis spasial-temporal, pemodelan ETA hujan menggunakan algoritma XGBoost Regressor, serta analisis feature importance. Kinerja model dievaluasi menggunakan Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa penerapan data fusion pada data cuaca multi-node mampu memberikan representasi kondisi lingkungan yang lebih menyeluruh sehingga mendukung proses estimasi perambatan hujan antar lokasi. Model yang dibangun menghasilkan nilai MAE sebesar 0,52 menit, RMSE sebesar 0,61 menit, dan MAPE sebesar 10,48%. Analisis feature importance menunjukkan bahwa perubahan kelembapan antar lokasi (Delta_Kelembapan) merupakan parameter yang paling berpengaruh dalam proses estimasi waktu tiba hujan. Berdasarkan hasil tersebut, pendekatan data fusion dan machine learning menggunakan XGBoost Regressor efektif untuk mendukung sistem pemantauan cuaca lokal dan peringatan dini hujan secara lebih responsif.