Penerapan Model Recurrent Neural Network (RNN) untuk Prediksi Curah Hujan Berbasis Data Historis
Abstract
Prediksi curah hujan yang akurat penting untuk mitigasi bencana, perencanaan pertanian, dan pengelolaan sumber daya air, khususnya di Jakarta yang rentan terhadap banjir. Penelitian ini menerapkan model Recurrent Neural Network (RNN) untuk memprediksi curah hujan berbasis data historis dengan memanfaatkan data curah hujan interval 1 jam sepanjang Januari hingga Desember 2022. Model RNN dipilih karena kemampuannya menangani data berurutan dan menangkap pola temporal dalam data time-series. Data diproses melalui tahap normalisasi dan pembagian dataset dengan tiga scenario yaitu 50:50, 70:30, dan 90:10. Evaluasi model menggunakan metrik Root Mean Square Error (RMSE) menunjukkan bahwa skenario 90:10 memberikan performa terbaik dengan nilai RMSE terkecil sebesar 0,0925, dibandingkan dengan skenario 50:50 (0,1679) dan 70:30 (0,1962). Model ini berpotensi mendukung sistem peringatan dini banjir serta pengambilan keputusan strategis dalam tata kelola lingkungan di Jakarta. Pengembangan lebih lanjut disarankan untuk mempertimbangkan variabel tambahan seperti pola angin dan anomali iklim global lainnya guna meningkatkan akurasi prediksiReferences
[1] D. Bharath, M. Dolok, and Hugeng, “PERANCANGAN DASHBOARD SEBAGAI PERBANDINGAN VISUALISASI DATA IKLIM BMKG DI JAKARTA,” J. Inf. Technol. Comput. Sci., vol. 7, no. 6, 2024.
[2] D. F. Bagaskara, Mohammad Bisri, and Ussy Andawayanti, “Studi Evaluasi Sumur Resapan di Kelurahan Cipinang Besar, Kecamatan Jatinegara, Kota Jakarta Timur,” J. Teknol. dan Rekayasa Sumber Daya Air, vol. 4, no. 1, 2024.
[3] W. Anggraini, A. Jayady, R. K. Natadipura, and H. Tunafiah, “Desain Drainase Efektif dalam Mengatasi Banjir di Ruas Jalan Kebon Pala I Jakarta,” Ikraith Teknol., vol. 8, no. 3, 2024.
[4] F. Azzahrotunnisa, M. I. Mahfud, N. S. Ishak, and R. Kurniawan, “Perbandingan Metode Supervised Machine Learning untuk Prediksi Kelembapan Tanah di Jakarta,” Semin. Nas. Sains Data, 2024.
[5] S. A. Saputra and H. Soetanto, “IMPLEMENTASI NAÏVE BAYES UNTUK KLASIFIKASI PREDIKSI SERTA ANALISIS DATA BANJIR DI WILAYAH JAKARTA PUSAT,” Semin. Nas. Mhs. Fak. Teknol. Inf., vol. 3, no. 2, 2024.
[6] R. Al Kiramy, I. Permana, A. Marsal, M. R. Munzir, and Megawati, “Perbandingan Performa Algoritma RNN dan LSTM dalam Prediksi Jumlah Jamaah Umrah pada PT. Hajar Aswad,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 4, 2024.
[7] A. Sujjada, F. Sembiring, and Febriansyah, “Prediksi Harga Forex Menggunakan Algoritma Long Short-Term Memory,” Jnanaloka, vol. 9, no. 1, 2024.
[8] R. W. Arifin, M. Y. Putra, and D. I. Putri, “Comparison of Latent Semantic Analysis ( LSA ) and Doc2Vec Algorithms of Thesis Similarity Detection,” PIKSEL, vol. 12, no. 2, 2024.
[9] D. Larose and C. Larose, Data Mining and Predictive Analytics. 2015. doi: 10.1016/b978-0-12-800229-2.00003-1.
[10] S. Handayani, Taslim, and D. Toresa, “Convolutional Neural Network – Long Short Term Memory Untuk Prediksi Harga Emas Indonesia,” Indones. J. Comput. Sci., vol. 11, no. 1, 2022.
[2] D. F. Bagaskara, Mohammad Bisri, and Ussy Andawayanti, “Studi Evaluasi Sumur Resapan di Kelurahan Cipinang Besar, Kecamatan Jatinegara, Kota Jakarta Timur,” J. Teknol. dan Rekayasa Sumber Daya Air, vol. 4, no. 1, 2024.
[3] W. Anggraini, A. Jayady, R. K. Natadipura, and H. Tunafiah, “Desain Drainase Efektif dalam Mengatasi Banjir di Ruas Jalan Kebon Pala I Jakarta,” Ikraith Teknol., vol. 8, no. 3, 2024.
[4] F. Azzahrotunnisa, M. I. Mahfud, N. S. Ishak, and R. Kurniawan, “Perbandingan Metode Supervised Machine Learning untuk Prediksi Kelembapan Tanah di Jakarta,” Semin. Nas. Sains Data, 2024.
[5] S. A. Saputra and H. Soetanto, “IMPLEMENTASI NAÏVE BAYES UNTUK KLASIFIKASI PREDIKSI SERTA ANALISIS DATA BANJIR DI WILAYAH JAKARTA PUSAT,” Semin. Nas. Mhs. Fak. Teknol. Inf., vol. 3, no. 2, 2024.
[6] R. Al Kiramy, I. Permana, A. Marsal, M. R. Munzir, and Megawati, “Perbandingan Performa Algoritma RNN dan LSTM dalam Prediksi Jumlah Jamaah Umrah pada PT. Hajar Aswad,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 4, 2024.
[7] A. Sujjada, F. Sembiring, and Febriansyah, “Prediksi Harga Forex Menggunakan Algoritma Long Short-Term Memory,” Jnanaloka, vol. 9, no. 1, 2024.
[8] R. W. Arifin, M. Y. Putra, and D. I. Putri, “Comparison of Latent Semantic Analysis ( LSA ) and Doc2Vec Algorithms of Thesis Similarity Detection,” PIKSEL, vol. 12, no. 2, 2024.
[9] D. Larose and C. Larose, Data Mining and Predictive Analytics. 2015. doi: 10.1016/b978-0-12-800229-2.00003-1.
[10] S. Handayani, Taslim, and D. Toresa, “Convolutional Neural Network – Long Short Term Memory Untuk Prediksi Harga Emas Indonesia,” Indones. J. Comput. Sci., vol. 11, no. 1, 2022.
Published
2024-12-17
How to Cite
FARISI, Imam et al.
Penerapan Model Recurrent Neural Network (RNN) untuk Prediksi Curah Hujan Berbasis Data Historis.
INFORMATION SYSTEM FOR EDUCATORS AND PROFESSIONALS : Journal of Information System, [S.l.], v. 9, n. 2, p. 217-226, dec. 2024.
ISSN 2548-3587.
Available at: <https://ejournal-binainsani.ac.id/index.php/ISBI/article/view/3280>. Date accessed: 15 jan. 2025.
doi: https://doi.org/10.51211/isbi.v9i2.3280.
Section
Articles
