Peramalan Curah Hujan Menggunakan Metode Time Series untuk Prediksi Banjir dan Pemetaan Wilayah Berpotensi Banjir di Kabupaten Jember

Abstract

Banjir merupakan bencana alam yang sering terjadi di Kabupaten Jember akibat luapan air yang dipicu oleh tingginya intensitas curah hujan serta dipengaruhi oleh karakteristik fisik wilayah. Permasalahan utama terletak pada masih terbatasnya pemanfaatan teknologi untuk memprediksi curah hujan dan memetakan potensi banjir secara spasial sebagai dasar mitigasi. Penelitian ini bertujuan untuk mengembangkan model prediksi curah hujan yang akurat serta menghasilkan peta potensi banjir di Kabupaten Jember. Metode yang digunakan melibatkan analisis deret waktu (time series) dengan menggunakan algoritma Autoregressive Integrated Moving Average (ARIMA) dan Long Short-Term Memory (LSTM). Kedua model dibandingkan untuk menentukan performa terbaik berdasarkan nilai Root Mean Square Error (RMSE). Dataset yang digunakan terdiri atas data curah hujan periode 1994–2024 untuk memprediksi curah hujan tahun 2025–2026 pada 31 kecamatan. Hasil prediksi tersebut kemudian diintegrasikan dengan parameter lain yang berkaitan dengan banjir, meliputi penggunaan lahan, karakteristik daerah aliran sungai (DAS), elevasi, dan jenis tanah. Proses pemetaan dilakukan menggunakan Sistem Informasi Geografis (SIG) melalui teknik overlay dan scoring, sehingga menghasilkan peta tematik dengan klasifikasi tingkat potensi banjir. Hasil evaluasi menunjukkan bahwa model LSTM memiliki kinerja yang lebih baik dibandingkan ARIMA, dengan nilai RMSE sebesar 80,325, sedangkan ARIMA sebesar 177,74. Peta potensi banjir hasil prediksi kemudian divalidasi menggunakan data kejadian banjir aktual tahun 2025 hingga Maret 2026 dan menghasilkan tingkat akurasi sebesar 30,23%, dengan 13 kejadian yang sesuai dari total 43 kejadian banjir yang tercatat di Kabupaten Jember. Hasil tersebut menunjukkan bahwa integrasi data curah hujan dengan parameter pendukung belum optimal. Oleh karena itu, diperlukan penambahan variabel yang lebih relevan serta optimalisasi lebih lanjut terhadap model deep learning guna meningkatkan akurasi prediksi.