Pemilihan Neuron LSTM dan LSTM Bayesian Optimization Untuk Prediksi Curah Hujan Bulanan Berbasis Iklim

Abstract

Prediksi curah hujan yang akurat penting untuk mendukung ketahanan iklim dan mitigasi risiko hidrometeorologis di wilayah tropis seperti Indonesia. Penelitian ini mengembangkan model prediksi curah hujan bulanan menggunakan Long Short-Term Memory (LSTM) yang dioptimasi dengan Bayesian Optimization (BO). Data yang digunakan meliputi curah hujan bulanan (1983–2024) dari tiga stasiun meteorologi di Pulau Jawa—Tunggul Wulung (Cilacap), Tegal, dan Ahmad Yani (Semarang)—serta variabel prediktor global seperti SOI, Nino 3.4, IOD, WNPMI, AUSMI, dan SST. Model LSTM terdiri dari empat lapisan bertingkat dengan Dropout dan BatchNormalization untuk mencegah overfitting. BO digunakan untuk menentukan kombinasi hiperparameter optimal pada setiap lapisan jaringan. Evaluasi menggunakan Root Mean Squared Error (RMSE) dan Mean Absolute Error (MAE) menunjukkan bahwa LSTM-BO memberikan peningkatan kinerja dibanding LSTM standar di ketiga lokasi. Di Cilacap, RMSE menurun dari 160,51 mm menjadi 148,87 mm, dan MAE dari 126,77 mm menjadi 115,14 mm. Di Tegal, RMSE turun dari 89,00 mm menjadi 86,19 mm, dan MAE dari 65,73 mm menjadi 58,84 mm. Di Semarang, RMSE berkurang dari 104,05 mm menjadi 100,21 mm, dan MAE dari 76,32 mm menjadi 70,60 mm. Integrasi time series, deep learning, dan optimasi probabilistik menghasilkan model yang lebih optimal. LSTM cenderung stabil dan konsisten dengan hasil mendekati observasi di sebagian besar bulan, sedangkan LSTM-BO unggul pada bulan atau lokasi tertentu meskipun pada beberapa kondisi prediksinya lebih jauh dari observasi dibandingkan LSTM