Publisher

POLSRIPOLSRI

Journal TEKNIKATEKNIKA Abstract

Penelitian ini dilakukan untuk mengevaluasi perbandingan kinerja antara model deret waktu konvensional Autoregressive Integrated Moving Average (ARIMA) dan model berbasis deep learning Long Short-Term Memory (LSTM) dalam melakukan prediksi curah hujan bulanan di Stasiun Meteorologi Radin Inten II, Bandar Lampung. Data yang digunakan berasal dari periode 2022–2024 dan mencakup beberapa parameter klimatologi, yaitu curah hujan, suhu udara, tekanan atmosfer, serta kelembapan relatif. Prosedur penelitian mencakup tahapan pengumpulan data, prapemrosesan melalui normalisasi Min–Max, pembagian dataset menjadi data latih dan uji, pembangunan model menggunakan bahasa pemrograman Python, serta pengujian kinerja dengan metrik Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), dan koefisien determinasi (R²). Berdasarkan hasil pengujian, model LSTM menunjukkan tingkat akurasi yang lebih tinggi dibandingkan dengan ARIMA, dengan nilai RMSE sebesar 19,57; MAE 12,84; MAPE 5,36%; dan R² 0,94. Adapun model ARIMA memperoleh nilai RMSE 27,45; MAE 18,73; MAPE 9,21%; dan R² 0,87. Hasil tersebut menunjukkan bahwa LSTM lebih mampu merepresentasikan hubungan nonlinier serta pola musiman pada data klimatologi wilayah tropis. Oleh karena itu, LSTM direkomendasikan sebagai pendekatan utama untuk prediksi curah hujan jangka pendek di Provinsi Lampung.

Conclusion

Model LSTM menunjukkan kinerja yang lebih unggul dalam memprediksi curah hujan bulanan di wilayah Lampung dibandingkan model ARIMA.Keunggulan ini disebabkan oleh kemampuan LSTM dalam mengenali hubungan jangka panjang antar data serta mempelajari pola fluktuasi yang bersifat nonlinier.Meskipun demikian, model ARIMA masih dapat digunakan sebagai metode dasar yang sederhana dan efisien, meskipun kurang responsif terhadap variasi ekstrem curah hujan yang sering terjadi selama masa peralihan musim.Dengan demikian, model LSTM direkomendasikan sebagai metode utama dalam sistem prediksi curah hujan jangka pendek di wilayah Lampung untuk mendukung pengelolaan sumber daya air, sektor pertanian, dan mitigasi bencana hidrometeorologi.

Future Research

Penelitian lanjutan dapat mengembangkan model hibrida yang menggabungkan keunggulan ARIMA dan LSTM untuk menangani pola data linear maupun nonlinier secara simultan. Penambahan variabel eksternal seperti kecepatan angin atau indeks iklim global dapat meningkatkan akurasi prediksi curah hujan. Selain itu, penerapan model ke dalam sistem prediksi berbasis web atau aplikasi real-time dapat mempermudah penggunaan hasil penelitian untuk keperluan pengambilan keputusan dan mitigasi bencana di tingkat regional.

References

1. Prediksi Curah Hujan Di Kabupaten Bogor Menggunakan Long Short-Term Memory Dan Gemma 2 | Jurnal Komtika... doi.org/10.31603/komtika.v9i1.13639Prediksi Curah Hujan Di Kabupaten Bogor Menggunakan Long Short Term Memory Dan Gemma 2 Jurnal Komtika doi 10 31603 komtika v9i1 13639
2. Klasifikasi Untuk Prediksi Cuaca Menggunakan Esemble Learning | PETIR. klasifikasi cuaca esemble learning... jurnal.itpln.ac.id/petir/article/view/998Klasifikasi Untuk Prediksi Cuaca Menggunakan Esemble Learning PETIR klasifikasi cuaca esemble learning jurnal itpln ac petir article view 998
3. Prediksi Cuaca Menggunakan Data Historis dengan Algoritma Regresi Linear untuk Analisis Perubahan Suhu... doi.org/10.47065/josyc.v6i2.6950Prediksi Cuaca Menggunakan Data Historis dengan Algoritma Regresi Linear untuk Analisis Perubahan Suhu doi 10 47065 josyc v6i2 6950

Metadata

File size	709.8 KB
Pages	10
DMCA	Report