Prediksi Curah Hujan Harian Menggunakan Metode Principal Component Analysis (PCA) dan Long Short-Term Memory (LSTM)

Abstract

Intensitas curah hujan memiliki keterkaitan erat dengan berbagai aspek kehidupan, khususnya dalam sektor lingkungan, transportasi, dan mitigasi bencana. Pengukuran curah hujan di Indonesia umumnya dilakukan oleh Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) menggunakan alat konvensional yang berpotensi mengalami penurunan akurasi akibat faktor teknis maupun lingkungan. Oleh karena itu, diperlukan metode prediksi sebagai alternatif untuk menghindari kekosongan data serta sebagai acuan pengambilan keputusan. Penelitian ini bertujuan memprediksi curah hujan harian di Tanjung Perak, Surabaya, menggunakan kombinasi Principal Component Analysis (PCA) dan Long Short-Term Memory (LSTM). PCA digunakan untuk mereduksi dimensi variabel meteorologi sehingga diperoleh fitur yang paling berpengaruh terhadap curah hujan, sedangkan LSTM digunakan untuk memodelkan data deret waktu. Data yang digunakan merupakan data observasi harian BMKG periode 1 Januari 2020 hingga 31 Desember 2024. Hasil PCA menunjukkan bahwa temperatur rata-rata, kelembapan rata-rata, dan kecepatan angin rata-rata merupakan variabel dominan. Model terbaik diperoleh pada konfigurasi 150 hidden layer, batch size 256, dan learn rate drop period 50 dengan nilai MAAPE sebesar 0,5662. Hasil tersebut menunjukkan bahwa kombinasi metode PCA-LSTM mampu memprediksi curah hujan harian dengan kinerja yang cukup baik.