EVALUASI MODEL LONG SHORT-TERM MEMORY (LSTM) UNTUK PREDIKSI CURAH HUJAN DI ZONA MUSIM (ZOM) PROVINSI JAWA TENGAH

Catur Handika; Fendy Arifianto; Yahya Darmawan; Ervan Ferdiansyah

doi:10.26740/ifi.v15n2.p337-351

Authors

Catur Handika STMKG
Fendy Arifianto
Yahya Darmawan Sekolah Tinggi Meteorologi Klimatologi dan Geofisika
Ervan Ferdiansyah Sekolah Tinggi Meteorologi Klimatologi dan Geofisika

DOI:

https://doi.org/10.26740/ifi.v15n2.p337-351

Keywords:

LSTM, Curah hujan, Prediksi

Abstract

Provinsi Jawa Tengah merupakan salah satu sentra produksi pertanian nasional yang juga rentan terhadap bencana hidrometeorologi, sehingga informasi curah hujan dasarian yang akurat diperlukan untuk mendukung sektor tersebut. Penelitian ini bertujuan menghasilkan kinerja model Long Short-Term Memory (LSTM) dalam memprediksi curah hujan dasarian pada 54 Zona Musim (ZOM) di Jawa Tengah. Data yang digunakan berupa curah hujan blending serta angin zonal (U850), angin meridional (V850), dan kelembaban relatif (RH850) lapisan 850 hPa dari ERA5. Data dibagi menjadi pelatihan tahun 1991–2015, validasi tahun 2016–2020, dan pengujian tahun 2021–2024. Seleksi prediktor menggunakan Light Gradient Boosting Machine (LightGBM) dan SHapley Additive exPlanations (SHAP), yang menunjukkan RH850 dan U850 sebagai prediktor dengan kontribusi terbesar. Hasil penelitian menunjukkan model LSTM mampu merepresentasikan pola temporal dan tren musiman curah hujan dengan baik, dengan korelasi keliling antara 0,53 hingga 0,81, RMSE antara 27,70 hingga 76,47 mm, MAE antara 19,41 hingga 55,63 mm, dan bias antara −17,27 hingga 13,47 mm. Namun performa model masih bervariasi setiap ZOM dan kurang optimal dalam mengestimasi puncak curah hujan ekstrem.

Downloads

Download data is not yet available.

References

Aeni, P., & Muhammad, K. A. (2024). Hydrometeorological disaster: Challenges and mitigation in Indonesia. 5(1), 318–330. https://doi.org/10.59141/jist.v5i01.888

Aïzansi, A. N., Ogunjobi, K. O., & Ogou, F. K. (2024). Monthly rainfall prediction using artificial neural network (case study: Republic of Benin). Environmental Data Science, 3, 1–25. https://doi.org/10.1017/eds.2024.10

Akbar, A. A., Darmawan, Y., Wibowo, A., & Rahmat, H. K. (2024). Accuracy assessment of monthly rainfall predictions using seasonal ARIMA and long short-term memory (LSTM). Journal of Computer Science and Engineering (JCSE), 5(2), 99–114. http://icsejournal.com/index.php/

Akiba, T., Sano, S., Yanase, T., Ohta, T., & Koyama, M. (2019). Optuna : A next - generation hyperparameter optimization framework. 1–10.

Aldrian, E., & Susanto, D. R. (2003). Identification of three dominant rainfall regions within Indonesia and their relationship to sea surface temperature. International Journal of Climatology, 1452, 1435–1452. https://doi.org/10.1002/joc.950

Ali, M. E., Shil, P., Shakib, M. S., Chanda, A., Khisa, R., Baten, M. A., & Mayoa, F. (2024). A comparative analysis of rainfall forecasting in Cox’s Bazar using SARIMA, LSTM and GRU. International Conference on Computer and Information Technology, ICCIT 2024 - Proceedings, December, 2671–2676. https://doi.org/10.1109/ICCIT64611.2024.11021778

Ariyanti, R. D., Sugihartati, F. M., Rethataranita, W., & Winarso, P. A. (2019). Uji Keakuratan Data GFS menggunakan Model WRF-ARW pada Siklon Tropis Flamboyan. Jurnal Ilmu Dan Inovasi Fisika, 3(2), 62–74. https://doi.org/10.24198/jiif.v3i2.23149

Bengio, Y. (2012). Practical recommendations for gradient-based training of deep architectures. ArXiv.

BMKG. (2022). Buku Pemutakhiran Zona Musim Indonesia Periode 1991-2020. Jakarta: Badan Meteorologi Klimatologi dan Geofisika (BMKG)

BNPB. (2025). Data Bencana Indonesia 2024. Pusat Data Informasi dan Komunikasi Kebencanaan Badan Nasional Penanggulangan Bencana.

BPS. (2025). Luas Panen dan Produksi Padi 2024 Provinsi Jawa Tengah. Badan Pusat Statistik Provinsi Jawa Tengah. Retrieved from https://jateng.bps.go.id/id/statistics-table/3/WmpaNk1YbGFjR0pOUjBKYWFIQlBSU3MwVHpOVWR6MDkjMw==/luas-panen--produktivitas--dan-produksi-padi-menurut-kabupaten-kota-di-provinsi-jawa-tengah--2024.html?year=2024

Chao, Z., Pu, F., Yin, Y., Han, B., & Chen, X. (2018). Research on real-time local rainfall prediction based on MEMS sensors. Journal of Sensors, 2018. https://doi.org/10.1155/2018/6184713

Chen, C., Zhang, Q., Kashani, M. H., Jun, C., Sayed, M., Band, S. S., Dash, S. S., & Chau, K. (2022). Forecast of rainfall distribution based on fixed sliding window long short-term memory. 2060. https://doi.org/10.1080/19942060.2021.2009374

Ejike, O., & Ndzi, D. (2025). Comparative study of machine learning-based rainfall prediction in tropical and temperate climates. Climate, 1–27.

Gers, F. A., Schmidhuber, J., & Cummins, F. (1999). Learning to forget: Continual prediction with LSTM. Neural Computation, 1–19.

Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.

Hadibasyir, H. Z., Kurniawan, R., & Atika, R. (2015). Pemanfaatan Citra SRTM V3 dengan Teknik Analisis Zona untuk Mengkaji Keterkaitan Curah Hujan dengan Topografi di Wilayah Provinsi Jawa Tengah dan Daerah Istimewa Yogyakarta. 345–350.

Han, J., Kamber, M., & Pei, J. (2012). Data Mining: Concepts and Techniques (3rd ed.). Morgan Kaufmann.

Hancock, J. T., Khoshgoftaar, T. M., & Liang, Q. (2025). A problem-agnostic approach to feature selection and analysis using SHAP. Journal of Big Data, 12(1), 1–22. https://doi.org/10.1186/s40537-024-01041-1

Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780.

Kaparang, N. E., & Hermawan, E. (2010). Analisis Perilaku Angin di Lapisan 850 hPa Hasil Observasi Data WPR Dikaitkan Dengan Perilaku Data Indeksi Monsun Global di Indonesia. Jurnal Sains Dirgantara, 8, 1–24.

Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., & Liu, T. (2017). LightGBM : A highly efficient gradient boosting decision tree. 1–9.

Kratzert, F., Klotz, D., Brenner, C., Schulz, K., & Herrnegger, M. (2018). Rainfall-runoff modelling using long short-term memory (LSTM) networks. 1–30.

Kurniyaningrum, E., Rianti, A., Herlina, L., Victorya, C., Wahan, Nyimas, Hazel, L., Assidik, M. L., Faisal, U. F., Kawanda, A., & Saily, R. (2025). Pendekatan Statistik Klasifikasi Curah Hujan Dalam Pengelolaan Sumber Daya Air Berkelanjutan. Journal of Infrastructure and Civil Engineering, 5(3), 205–213.

Lundberg, S. M., & Lee, S. (2017). A Unified Approach to Interpreting Model Predictions. Section 2, 1–10.

Malakouti, S. M. (2025). Leveraging shapley additive explanations (SHAP) and fuzzy logic for efficient rainfall forecasts. Scientific Reports, 15(1), 1–25. https://doi.org/10.1038/s41598-025-22081-4

Mamenun, Pawitan, H., & Sophaheluwakan, A. (2014). Validasi dan Koreksi Data Satelit TRMM Pada Tiga Pola Hujan di Indonesia. Jurnal Meteorologi Dan Geofisika, 15(1), 13–23.

Mhatre, N., & Cooley, D. (2024). Transformed-linear models for time series extremes. Journal of Time Series Analysis, 45(5), 671–690. https://doi.org/10.1111/jtsa.12732

Park, Y., Liu, X., Zhu, Y., & Hong, Y. (2025). Using entity-aware LSTM to enhance streamflow predictions in transboundary and large lake basins. Hydrology, 12(10), 1–26. https://doi.org/10.3390/hydrology12100261

Qian, J. H. (2008). Why precipitation is mostly concentrated over islands in the maritime continent. Journal of the Atmospheric Sciences, 65(4), 1428–1441. https://doi.org/10.1175/2007JAS2422.1

Rasp, S., & Lerch, S. (2018). Neural networks for postprocessing ensemble weather forecasts. 3885–3900. https://doi.org/10.1175/MWR-D-18-0187.1

Satyawardhana, H., & Yulihastin, E. (2016). Interaksi El-Nino, Monsun dan Topografi Lokal terhadap Anomali Curah Hujan di Pulau Jawa. Pusat Sains Dan Teknologi Atmosfer, LAPAN, 59–74.

Simanjuntak, P. P. (2022). Komponen Angin Zonal dan Meridional sebagai Prekursor Penentu Awal Musim serta Pengaruh ENSO Terhadap Variasinya. Prisma Fisika, 10(3), 371–376. https://doi.org/10.26418/pf.v10i3.59057

Waqas, M., Humphries, U. W., Wangwongchai, A., Dechpichai, P., Zarin, R., & Hlaing, P. T. (2024). Incorporating novel input variable selection method for in the different water basins of Thailand. Alexandria Engineering Journal, 557–576. https://doi.org/10.1016/j.aej.2023.11.046

Wati, T., Hadi, T. W., Sopaheluwakan, A., & Hutasoit, L. M. (2023). The study of wind field ERA-20C in Monsoon domains for rainfall predictor in Indonesia (Java, Sumatra, and Borneo). Agromet, 37(1), 34–43. https://doi.org/10.29244/j.agromet.37.1.34-43

Wihardjaka, A., Pramono, A., & Sutriadi, M. T. (2020). Peningkatan Produktivitas Padi Sawah Tadah Hujan Melalui Penerapan Teknologi Adaptif Dampak Perubahan Iklim. Jurnal Sumberdaya Lahan, 14(1), 25. https://doi.org/10.21082/jsdl.v14n1.2020.25-36

Wilks, D. S. (2011). Statistical Methods in the Atmospheric Sciences (3rd ed.). Academic Press.

Willmott, C. J., & Matsuura, K. (2005). Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. 30, 79–82.

Yanfatriani, E., Marzuki, M., Vonnisa, M., Razi, P., Hapsoro, C. A., Ramadhan, R., & Yusnaini, H. (2024). Extreme rainfall trends and hydrometeorological disasters in tropical regions: Implications for climate resilience. 8(5), 1860–1874.