Prediksi Curah Hujan Berbasis Long Short-Term Memory (LSTM) untuk Mendukung Implementasi Teknologi Pertanian

Abstract

Curah hujan merupakan salah satu faktor penting yang memengaruhi keberhasilan sektor pertanian karena berkaitan langsung dengan ketersediaan air, pola tanam, serta pengelolaan lahan pertanian. Perubahan pola curah hujan yang tidak menentu dapat menyebabkan berbagai permasalahan seperti kekeringan maupun kelebihan air yang berpotensi menurunkan produktivitas pertanian. Oleh karena itu, diperlukan suatu pendekatan yang mampu melakukan prediksi curah hujan secara akurat sebagai informasi pendukung dalam penerapan teknologi pertanian berbasis data. Penelitian ini bertujuan untuk mengembangkan model prediksi curah hujan harian menggunakan metode Long Short-Term Memory (LSTM) untuk mendukung implementasi teknologi pertanian. Data yang digunakan pada penelitian ini berupa data cuaca harian Kabupaten Banyuwangi yang diperoleh dari Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) pada periode Mei 2024 hingga Mei 2026. Dataset terdiri dari beberapa parameter meteorologi, yaitu temperatur rata-rata, kelembapan rata-rata, curah hujan, lama penyinaran matahari, arah angin, dan kecepatan angin rata-rata. Tahapan penelitian meliputi proses pengumpulan data, preprocessing data, feature engineering, pembagian data, normalisasi, pembentukan data time series menggunakan metode sliding window, pemodelan menggunakan LSTM, serta evaluasi performa model. Tahapan preprocessing dilakukan untuk mempersiapkan data agar dapat digunakan dalam proses pemodelan. Proses tersebut meliputi transformasi tipe data, penanganan missing value, pembuatan fitur tambahan seperti lag curah hujan, rolling statistics, serta fitur musiman untuk membantu model memahami pola perubahan cuaca. Data kemudian dibagi menjadi data training, validation, dan testing dengan mempertahankan urutan waktu agar tidak terjadi kebocoran informasi. Selanjutnya, metode sliding window digunakan untuk membentuk data berurutan sehingga model LSTM dapat mempelajari hubungan antarwaktu berdasarkan kondisi cuaca sebelumnya. Model LSTM yang dibangun menggunakan dua lapisan LSTM dengan 64 unit dan 32 unit serta satu lapisan Dense sebagai keluaran prediksi. Proses pelatihan model menggunakan optimizer Adam, fungsi loss Huber, batch size 32, dan early stopping untuk mengurangi risiko overfitting. Evaluasi kinerja model dilakukan menggunakan tiga metrik, yaitu Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), dan R-Squared (R²). Hasil evaluasi menunjukkan bahwa model menghasilkan nilai RMSE sebesar 0,0677, MAE sebesar 0,0333, dan nilai R² sebesar 0,7713 atau 77,13%. Berdasarkan hasil penelitian, model Long Short-Term Memory (LSTM) mampu memprediksi curah hujan harian dengan performa yang cukup baik karena dapat menangkap pola temporal dari data historis cuaca. Hasil prediksi menunjukkan bahwa model mampu mengikuti pola perubahan curah hujan aktual meskipun masih terdapat beberapa perbedaan pada kondisi curah hujan dengan intensitas tinggi. Model yang dikembangkan memiliki potensi untuk digunakan sebagai pendukung pengambilan keputusan dalam bidang pertanian, seperti perencanaan irigasi, pengelolaan sumber daya air, dan pengembangan sistem smart farming berbasis teknologi informasi.