Implementasi Algoritma Long Short Term Memory (LSTM) dan Gated Recurrent Unit (GRU) dalam Memprediksi Curah Hujan dan Temperatur Rata-rata di Kabupaten Banyuwangi

Abstract

Metode yang digunakan dalam melakukan prediksi adalah machine learning algoritma Long Short Term Memory (LSTM) dan Gated Recurrent Unit (GRU). Hasil penelitian menunjukkan bahwa baik LSTM maupun GRU mampu memprediksi RR dan TAVG dengan baik, dengan GRU cenderung memiliki nilai RMSE dan MAE yang lebih rendah dibanding LSTM pada kedua target prediksi. Konfigurasi terbaik GRU menggunakan epochs 200, time steps 7 hari, batchsize 64, test size 0,3 dan unit 64 memperoleh nilai RMSE untuk RR pada data training sebesar 10,9535 dengan MAE sebesar 5,9377, sedangkan pada data testing diperoleh nilai RMSE sebesar 10,4018 dan MAE sebesar 5,5586. Sementara itu, untuk target prediksi suhu rata-rata (TAVG), model menghasilkan nilai RMSE training sebesar 0,7089 dengan MAE 0,5350, sedangkan pada data testing nilai RMSE sedikit menurun menjadi 0,6838 dengan MAE sebesar 0,5049. LSTM mencapai konfigurasi terbaik pada epochs 150, time steps 7 hari, batchsize 64, test size 0,3 dan unit 64. Hasil training RR RMSE sebesar 11,1970 dengan MAE sebesar 6,1164. Sedangkan pada testing diperoleh nilai RMSE sebesar 10,4811 dan MAE sebesar 5,6848. Untuk TAVG, training RMSE sebesar 0,7186 dengan MAE training 0,5437. Selanjutnya, pada testing diperoleh nilai RMSE turun menjadi 0,6875 dengan MAE sebesar 0,5108. Hal ini menunjukkan bahwa GRU memiliki performa prediksi yang sedikit lebih baik dan lebih akurat, menjadikannya pilihan yang lebih optimal dalam memodelkan data cuaca pada konfigurasi ini.