Perbandingan Kinerja LSTM dan GA-LSTM dalam Prediksi Curah Hujan Harian sebagai Strategi Mitigasi Bencana Banjir di Jawa Timur

Abstract

Curah hujan merupakan salah satu parameter iklim penting yang sangat memengaruhi keseimbangan lingkungan dan kehidupan manusia, khususnya di daerah tropis seperti Surabaya. Variabilitas curah hujan yang tinggi dapat memicu bencana banjir, sehingga prediksi curah hujan yang akurat menjadi langkah penting dalam upaya mitigasi. Namun, karakteristik curah hujan yang bersifat non-linear, musiman, dan mengandung banyak fluktuasi acak menjadikan prediksi ini sebagai tantangan tersendiri. Penelitian ini bertujuan untuk membandingkan performa model Long Short-Term Memory (LSTM) dan LSTM yang dioptimasi dengan algoritma genetika (GA-LSTM) dalam memprediksi curah hujan harian di Surabaya. Data yang digunakan merupakan data curah hujan harian dari BMKG Surabaya selama periode 2020–2024. Metode penelitian mencakup preprocessing data, pembentukan sekuens, pelatihan model LSTM, optimasi hyperparameter menggunakan GA, serta evaluasi model dengan metrik MSE, RMSE, dan MAE. Hasil penelitian menunjukkan bahwa model GA-LSTM memberikan hasil prediksi yang lebih akurat dengan nilai MSE sebesar 0.0060, dibandingkan dengan LSTM standar sebesar 133.33. Performa GA-LSTM yang lebih stabil dalam menangani fluktuasi ekstrem menunjukkan bahwa pendekatan optimasi berbasis evolusi efektif dalam meningkatkan akurasi prediksi deret waktu curah hujan. Hasil ini diharapkan dapat menjadi referensi ilmiah bagi perumusan kebijakan mitigasi banjir berbasis data.