Prediksi curah hujan menggunakan Attention-LSTM berdasarkan parameter cuaca di Kabupaten Malang

ABSTRAK

Prediksi curah hujan memegang peranan penting dalam perencanaan pertanian dan mitigasi bencana, terutama di wilayah dengan pola iklim yang kompleks seperti Kabupaten Malang, Jawa Timur. Penelitian ini membandingkan kinerja LSTM dan Attention-Based LSTM dalam memprediksi curah hujan harian menggunakan parameter cuaca historis, termasuk suhu rata-rata, kelembaban relatif, durasi sinar matahari, dan kecepatan angin. Dengan memanfaatkan data harian dari tahun 2000 hingga 2023 yang diperoleh dari BMKG, penelitian ini mengikuti alur terstruktur mulai dari praproses data, pemilihan fitur, pelatihan model, hingga evaluasi performa. Model Attention-Based LSTM dirancang untuk memfokuskan perhatian pada fitur temporal yang relevan sehingga meningkatkan kemampuan model dalam menangkap pola curah hujan yang kompleks. Hasil evaluasi menunjukkan bahwa LSTM menghasilkan nilai RMSE sebesar 0.3090, sedangkan Attention-Based LSTM memberikan hasil yang lebih akurat dan lebih stabil dengan RMSE sebesar 0.3068. Temuan ini membuktikan bahwa integrasi Attention Mechanism ke dalam arsitektur deep learning secara signifikan meningkatkan akurasi, stabilitas, dan ketahanan model terhadap overfitting dalam prediksi curah hujan, serta memberikan kontribusi penting dalam strategi adaptasi perubahan iklim dan pengambilan keputusan di sektor pertanian.

ABSTRACT

Rainfall forecasting is crucial for agricultural planning and disaster mitigation, particularly in regions with complex climatic conditions such as Malang Regency, East Java. The research compares the performance of LSTM and Attention-Based LSTM in predicting daily rainfall using historical weather parameters, including mean temperature, relative humidity, sunshine duration, and wind speed. Utilizing daily records from 2000 to 2023 provided by BMKG, the research employs a structured workflow encompassing data preprocessing, feature selection, model training, and performance evaluation. The Attention-Based LSTM model is designed to emphasize relevant temporal features, thereby enhancing the model's ability to capture complex rainfall patterns. The results indicate that the LSTM yielded an RMSE of 0.3090, while the Attention-Based LSTM provided a more accurate and stable result with an RMSE of 0.3068. These findings demonstrate that integrating the Attention Mechanism into the deep learning architecture significantly improves the model's accuracy, stability, and resistance against overfitting in rainfall forecasting, providing a valuable contribution to climate change adaptation strategies and decision-making in the agricultural sector.

مستخلص البحث

يعتبر التنبؤ يهطول الأمطار أمرًا بالغ الأهمية في التخطيط الزراعي والتخفيف من الكوارث، خاصة في المناطق التي تتميز بأنماط مناخية معقدة مثل مقاطعة مالانج في جاوى الشرقية. تقارن هذه الرسالة أداء نموذج LSTM ونموذج Attention-Based LSTM المعتمد على الانتباه في التنبؤ بهطول الأمطار اليومي باستخدام معلمات الطقس التاريخية، بما في ذلك متوسط درجة الحرارة، الرطوبة النسبية، مدة أشعة الشمس، وسرعة الرياح. من خلال الاستفادة من البيانات اليومية للفترة من عام 2000 حتى 2023 التي تم الحصول عليها من BMKG، تتبع هذه الدراسة مسارًا منظمًا بدءًا من معالجة البيانات الأولية، واختيار الميزات، وتدريب النماذج، وصولًا إلى تقييم الأداء. تم تصميم نموذج LSTM المعتمد على الانتباه للتركيز على الميزات الزمنية ذات الصلة، مما يعزز قدرة النموذج على التقاط أنماط هطول الأمطار المعقدة. أظهرت نتائج التقييم أن نموذج LSTM حقق قيمة RMSE تبلغ 0.3090، في حين أن Attention-Based LSTM المعتمد على الانتباه قدم نتائج أكثر دقة واستقرارًا بقيمة RMSE تبلغ 0.3068. تثبت هذه النتائج أن دمج آلية الانتباه في بنية التعلم العميق يعزز بشكل كبير الدقة والاستقرار ومتانة النموذج تجاه الإفراط في التكيف أثناء توقع هطول الأمطار، كما يساهم بشكل هام في استراتيجيات التكيف مع تغير المناخ واتخاذ القرارات في قطاع الزراعة.