OPTIMASI MODEL PREDIKSI CURAH HUJAN HARIAN DI JAKARTA MENGGUNAKAN BILSTM DAN GRU DENGAN MEKANISME ATTENTION

• SUKRUL MA’MUN
• 14220019

---

ABSTRAK

ABSTRAK

 

Nama : Sukrul Ma’mun

NIM : 14220019

Program Studi : Ilmu Komputer

Fakultas : Teknologi Informasi

Jenjang : Strata Dua (S2)

Peminatan : Data Mining Judul : Optimasi Model Prediksi Curah Hujan Harian Di Jakarta Menggunakan BiLSTM Dan GRU Dengan Mekanisme Attention

 

DKI Jakarta merupakan wilayah urban dengan tingkat kerentanan tinggi terhadap banjir akibat curah hujan ekstrem yang terjadi secara berulang, sehingga diperlukan sistem prediksi cuaca yang akurat sebagai dasar pengambilan keputusan dan peringatan dini. Penelitian ini bertujuan untuk menganalisis karakteristik data meteorologi pada Stasiun Meteorologi Kemayoran sebagai dasar dalam pemodelan prediksi curah hujan, meningkatkan akurasi prediksi melalui eksplorasi teknik deep learning, serta mengoptimalkan model dengan mekanisme attention. Dataset yang digunakan merupakan data historis BMKG periode 2014–2023 yang mencakup berbagai parameter meteorologi seperti tekanan udara, suhu, kecepatan dan arah angin, kelembaban, serta curah hujan. Hasil analisis menunjukkan bahwa data Kemayoran memiliki karakteristik yang relatif stabil pada sebagian besar parameter, namun memiliki variabilitas tinggi pada curah hujan, sehingga cocok untuk pemodelan berbasis time series. Berdasarkan ablation study, implementasi model GRU dan BiLSTM menunjukkan kemampuan yang baik dalam menangkap pola temporal, dengan BiLSTM menghasilkan performa terbaik dengan nilai MAE sebesar 0,0588 dan RMSE sebesar 0,0779. Selain itu, integrasi mekanisme self-attention terbukti mampu meningkatkan kinerja model, khususnya pada arsitektur GRU. Secara kuantitatif, model GRU dasar menghasilkan nilai MAE sebesar 0,0638 dan RMSE sebesar 0,0783, sedangkan setelah penambahan mekanisme self-attention, nilai MAE menurun menjadi 0,0588 dan RMSE menjadi 0,0779. Hasil penelitian ini menunjukkan bahwa optimalisasi arsitektur model melalui mekanisme attention dapat meningkatkan akurasi prediksi curah hujan secara signifikan.

 

Kata kunci : Deep Learning, Curah Hujan, BiLSTM, GRU, Mekanisme Attention, Prediksi Cuaca

 

KATA KUNCI

Optimasi Model Prediksi Curah Hujan,BiLSTM,Algoritma GRU dan LSTM

---

DAFTAR PUSTAKA

DAFTAR PUSTAKA

 

[1] S. Ma’mun and E. H. Hermaliani, “Optimization of Machine Learning Algorithms in the Classification of Vector-Borne Disease,” Jurnal Techno Nusa Mandiri, vol. 22, no. 2, pp. 108–114, Sep. 2025, doi: 10.33480/techno.v22i2.6539.

[2] S. Nuarini, S. Fauziah, N. A. Mayangky, and R. Nurfalah, “Comparison Algorithm on Machine Learning for Student Mental Health Data,” Journal Medical Informatics Technology, vol. 1, no. 3, pp. 81–85, Sep. 2023, doi: 10.37034/medinftech.v1i3.18.

[3] E. Priyono, “Model Pembelajaran Mendalam untuk Prediksi Curah Hujan Menggunakan LSTM dan GRU,” Universitas Nusa Mandiri, 2024.

[4] D. Riana, M. Jamil, S. Hadianti, J. Na’am, H. Sutanto, and R. Sukwadi, “Model of Watershed Segmentation in Deep Learning Method to Improve Identification of Cervical Cancer at Overlay Cells,” TEM Journal, vol. 12, no. 2, pp. 813–819, May 2023, doi: 10.18421/TEM122-26.

[5] K. Puspita, F. Ernawan, Y. Alkhalifi, S. Kasim, and A. Erianda, “Brain Tumor Classification based on Convolutional Neural Networks with an Ensemble Learning Approach through Soft Voting,” International Journal On Informatics Visualization, vol. 9, no. 5, pp. 1964–1970, 2025, doi: 10.62527/joiv.9.5.4609.

[6] N. Sunendar and I. Saputra, “Comparative Performance of Transformer and LSTM Models for Indonesian Information Retrieval with Indobert,” Jurnal Pilar Nusa Mandiri, vol. 21, no. 2, pp. 228–233, Sep. 2025, doi: 10.33480/pilar.v21i2.6920

[7] F. Said and L. P. Manik, “Aspect-Based Sentiment Analysis on Indonesian Presidential Election Using Deep Learning,” Paradigma, vol. 24, no. 2, pp. 160–167, 2022, doi: 10.31294/p.v24i2.1415.

[8] S. A. Apriadi and H. F. Pardede, “Machine Learning for Employment Position Mapping,” Jurnal Pilar Nusa Mandiri, vol. 21, no. 2, pp. 266–272, Sep. 2025, doi: 10.33480/pilar.v21i2.3028.

[9] G. Wijaya, “Improvement of Kernel SVM to Enhance Accuracy in Chronic Kidney Disease,” Sinkron, vol. 9, no. 1, pp. 136–144, Jan. 2024, doi: 10.33395/sinkron.v9i1.13112.

[10] Z. P. Putra, “Evaluating the Performance of Classification Algorithms on the UNSW-NB15 Dataset for Network Intrusion Detection,” Jurnal Ilmiah FIFO, vol. 16, no. 1, pp. 84–95, Jun. 2024, doi: 10.22441/fifo.2024.v16i1.009.

[11] L. Marlinda, K. Falgenti, and I. Mahendra, “Pelatihan Generative Artificial Intelligence Untuk Pekerja Perempuan Di Fatayat NU Tangerang,” 44 Program Studi Ilmu Komputer (S2) FTI Universitas Nusa Mandiri Pundimaskot, vol. 3, no. 2, pp. 1–7, 2024, [Online]. Available: http://journal.binainternusa.ac.id/index.php/maskot

[12] O. Ejike, D. Ndzi, and M. Z. Shakir, “Comparative Study of Machine Learning-Based Rainfall Prediction in Tropical and Temperate Climates,” Climate, vol. 13, no. 8, pp. 1–27, Aug. 2025, doi: 10.3390/cli13080167.

[13] Y. Zhang, Z. Zhou, J. V. G. Thé, S. X. Yang, and B. Gharabaghi, “Flood Forecasting Using Hybrid LSTM and GRU Models with Lag Time Preprocessing,” Water (Switzerland), vol. 15, no. 22, Nov. 2023, doi: 10.3390/w15223982.

[14] T. Zhang, R. Zhang, J. Li, and P. Feng, “Deep Learning of Flood Forecasting by Considering Interpretability and Physical Constraints,” Hydrol. Earth Syst. Sci., vol. 29, no. 21, pp. 5955–5974, Nov. 2025, doi: 10.5194/hess-29-5955- 2025.

[15] M. R. sirfatullah Alfarizi, M. Z. Al-farish, M. Taufiqurrahman, G. Ardiansah, and M. Elgar, “Penggunaan Python Sebagai Bahasa Pemrograman untuk Machine Learning dan Deep Learning,” Karimah Tauhid, vol. 2, no. 1, 2023, doi: https://doi.org/10.3390/info11040193.

[16] S. Van Der Walt, S. C. Colbert, and G. Varoquaux, “The NumPy array: a structure for efficient numerical computation,” Comput. Sci. Eng., vol. 13, no. 2, pp. 22–30, 2021, doi: 10.1109/MCSE.2011.37ï.

[17] R. Thomas and S. Cholia, “Interactive Supercomputing with Jupyter,” California Digital Library, vol. 1, no. 1, pp. 1–7, Feb. 2021, doi: 10.22541/au.161230518.84458221/v1.

[18] R. L. Abduljabbar, H. Dia, and P. W. Tsai, “Development and evaluation of bidirectional LSTM freeway traffic forecasting models using simulation data,” Sci. Rep., vol. 11, no. 1, Dec. 2021, doi: 10.1038/s41598-021-03282-z.

[19] K. Cho et al., “Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation,” EMNLP, vol. 1, pp. 1724–1734, Sep. 2014, doi: https://doi.org/10.48550/arXiv.1406.1078.

[20] G. Brauwers and F. Frasincar, “A General Survey on Attention Mechanisms in Deep Learning,” IEEE Trans. Knowl. Data Eng., vol. 35, no. 4, pp. 3279– 3298, Mar. 2022, doi: 10.1109/TKDE.2021.3126456. [21] S. Sheikholeslami, H. Ghasemirahni, A. H. Payberah, T. Wang, J. Dowling, and V. Vlassov, “Utilizing Large Language Models for Ablation Studies in Machine Learning and Deep Learning,” in EuroMLSys 2025 - Proceedings of the 2025 5th Workshop on Machine Learning and Systems, Association for Computing Machinery, Inc, Apr. 2025, pp. 230–237. doi: 10.1145/3721146.3721957.

[22] R. D. Aprilyanto, R. Gustian, M. H. Hernawan, and A. S. Budiman, “Analisis Prediksi Kualitas Udara dengan Metode Random Forest Berdasarkan Data 45 Program Studi Ilmu Komputer (S2) FTI Universitas Nusa Mandiri Cuaca,” Jurnal Sains Informatika Terapan, vol. 4, no. 3, pp. 824–828, 2025, doi: https://doi.org/10.62357/jsit.v4i3.670.

[23] L. Guo, Y. Pu, and W. Zhao, “CNN-BiLSTM Daily Precipitation Prediction Based on Attention Mechanism,” Atmosphere (Basel)., vol. 16, no. 333, pp. 1– 13, Mar. 2025, doi: 10.3390/atmos16030333. .

[24] A. Romadhani, I. B. Santoso, and C. Crysdian, “Rainfall Prediction Using Attention-Based LSTM Architecture,” JURIKOM (Jurnal Riset Komputer), vol. 12, no. 3, pp. 329–340, Jun. 2025, doi: 10.30865/jurikom.v12i3.8727.

[25] F. Abdillah, A. I. Hadiana, and Melina, “Prediksi Curah Hujan Menggunakan Metode Bi-LSTM dan GRU Berbasis Data Iklim,” Jurnal Algoritma, vol. 22, no. 2, pp. 12–21, Nov. 2025, doi: 10.33364/algoritma/v.22-2.2305.

[26] F. R. Mashfia, S. Astutik, and E. Sumarminingsih, “Hyperparameter Optimization Approach in GRU Model: A Case Study of Rainfall Prediction in DKI Jakarta,” CAUCHY: Jurnal Matematika Murni dan Aplikasi, vol. 10, no. 1, pp. 389–402, May 2025, doi: 10.18860/cauchy.v10i1.32277.

[27] D. Supriatna, S. Anggai, and Tukiyat, “Analisis Prediksi Curah Hujan di Kota Tangerang Menggunakan Metode LSTM dan GRU,” Jurnal Pusat Akses Kajian Teknologi Artificial Intelligence, vol. 5, no. 2, pp. 119–131, Aug. 2025, doi: 10.55382/jurnalpustakaai.v5i2.1068.

[28] S. Wijaya, T. B. K. Kurniawan, E. S. Negara, and Y. N. Kunang, “Rainfall Prediction in Palembang City Using the GRU and LSTM Methods,” Journal of Data Science, vol. 04, 2023, doi: 10.61453/jods.v2023no04.

[29] M. A. Tanvir and N. Naiema, “Rainfall Prediction Using Machine Learning: LSTM,” Journal of Computer and Information Technology, vol. 2, pp. 23–33, Nov. 2025, doi: 10.61424/jcsit.

[30] Siswadi and H. Purnomo, “Prediksi Curah Hujan Harian Menggunakan Model ARIMA dan LSTM di Stasiun Meteorologi Radin Inten II Lampung,” Jurnal Teknika, vol. 20, no. 1, pp. 35–44, Nov. 2025, doi: 10.5281/zenodo.17640365.

[31] I. W. A. Suranata, “Pengembangan Model Prediksi Curah Hujan di Kota Denpasar Menggunakan Metode LSTM dan GRU,” Jurnal Sistem dan Informatika (JSI), vol. 18, no. 1, pp. 64–73, Nov. 2023.

[32] E. Padang, A. A. Subgan, K. K. Kardiputra, and T. T. Tukan, “Prediksi Curah Hujan Harian Kabupaten Manokwari Berbasis Long Short-Term Memory,” Jurnal Natural, vol. 21, no. 1, pp. 1412–1328, Jun. 2025, doi: 10.30862/jn.v21i1.293.

[33] U. G. Joy, S. kabir, and T. Niger, “Attention-Enhanced LSTM Modeling for Improved Temperature and Rainfall Forecasting in Bangladesh,” Theor. Appl. Climatol., vol. 156, no. 11, pp. 613–647, Oct. 2025, doi: 10.1007/s00704-025- 05858-5