PREDIKSI CURAH HUJAN MENGGUNAKAN METODE LONG SHORT TERM MEMORY (LSTM) (STUDI KASUS : KOTA JAMBI)

Indryani, Ayu (2025) PREDIKSI CURAH HUJAN MENGGUNAKAN METODE LONG SHORT TERM MEMORY (LSTM) (STUDI KASUS : KOTA JAMBI). S1 thesis, Universitas Jambi.

	Text COVER.pdf Download (9MB)
	Text HALAMAN PENGESAHAN.pdf Download (140kB)
	Text ABSTRAK.pdf Download (145kB)
	Text BAB I.pdf Download (331kB)
	Text BAB V.pdf Download (197kB)
	Text DAFTAR PUSTAKA.pdf Download (233kB)
	Text SKRIPSI FULL_AYU INDRYANI_F1E121095.pdf Restricted to Repository staff only Download (7MB)

Abstract

Prediksi curah hujan memiliki peran penting dalam meteorologi, pertanian, dan mitigasi bencana. Namun, keberadaan missing values dalam data historis curah hujan dapat mengurangi akurasi prediksi. Penelitian ini menerapkan tiga metode interpolasi linier, kuadratik, dan Spline Kuadratik untuk menangani missing values sebelum melakukan prediksi curah hujan di Kota Jambi menggunakan model Long Short-Term Memory (LSTM). Data penelitian diperoleh dari website Data Online BMKG untuk periode 2016-2024. Proses preprocessing meliputi pembersihan data, interpolasi, normalisasi, dan pembagian data latih serta uji. Evaluasi model dilakukan menggunakan metrik Root Mean Square Error (RMSE). Hasil eksperimen menunjukkan bahwa metode interpolasi linear menghasilkan RMSE terendah dengan RMSE Train sebesar 13.0661 dan RMSE Test sebesar 13.1388 dengan komposisi jumlah neuron 50, epoch 75 dan batch size 32 menggunakan optimasi RMSprop menunjukkan efektivitasnya dalam meningkatkan kualitas data. Penelitian ini menekankan pentingnya preprocessing data yang tepat untuk meningkatkan akurasi model prediksi deret waktu.

Type:	Thesis (S1)
Uncontrolled Keywords:	Rainfall prediction; LSTM; Interpolation; RMSE; Time-series forecasting.
Subjects:	L Education > L Education (General)
Divisions:	Fakultas Sains dan Teknologi > Sistem Informasi
Depositing User:	INDRYANI
Date Deposited:	11 Jun 2025 06:25
Last Modified:	11 Jun 2025 06:25
URI:	https://repository.unja.ac.id/id/eprint/79529

Actions (login required)

View Item