Aplikasi Prediksi Curah Hujan Berbasis Mobile Menggunakan Metode Long Short-Term Memory (LSTM)

Abstract

Indonesia merupakan negara yang bergantung pada sektor pertanian yang sangat dipengaruhi oleh kondisi cuaca, terutama curah hujan. Perubahan iklim yang tidak menentu menyebabkan pola hujan menjadi sulit diprediksi dan berdampak pada hasil pertanian. Oleh karena itu, dibutuhkan sistem yang mampu memberikan informasi prediksi curah hujan secara akurat untuk membantu petani dalam pengambilan keputusan yang tepat. Penelitian ini bertujuan untuk membangun aplikasi prediksi curah hujan berbasis mobile menggunakan metode Long Short-Term Memory (LSTM). Data yang digunakan berasal dari BMKG banyuwanig periode 2010-2025, dengan tiga parameter utama yaitu temperatur rata-rata (TAVG), kelembapan udara rata-rata (RH_AVG), dan lama penyinaran matahari (SS). Metode penelitian meliputi pengumpulan data, preprocessing data, pembentukan sequence (sliding window), pembuatan model LSTM, evaluasi model, serta implementasi ke dalam aplikasi mobile. Model dilatih menggunakan optimizer Adam, fungsi aktivasi ReLU, dan fungsi loss LogCosh. Hasil evaluasi menunjukkan nilai RMSE sebesar 1.094, MAE sebesar 0.880, dan R2 sebesar 0.144, yang menunjukkan bahwa model mampu mengenali pola curah hujan dengan baik. Model yang telah dilatih diintegrasikan ke dalam API Flask dan dihubungkan dengan aplikasi mobile berbasis Flutter. Aplikasi ini menampilkan hasil prediksi curah hujan harian beserta kategorinya (tidak hujan, hujan ringan, sedang, lebat, dan sangat lebat). Berdasarkan pengujian BlackBox, seluruh fitur aplikasi berfungsi dengan baik sesuai dengan kebutuhan pengguna. Kesimpulannya, metode LSTM efektif digunakan untuk memprediksi curah hujan berdasarkan data cuaca historis dan dapat diimplementasikan ke dalam aplikasi mobile yang berguna bagi petani dalam memantau kondisi cuaca secara real-time dan mendukung pengambilan keputusan di bidang perkebunan.