Aplikasi Prediksi Curah Hujan Berbasis Mobile Menggunakan Metode Long Short-Term Memory (LSTM)
Tahun 2025 · Penulis: Muhammad Januar Alfiansyah
Faculty of Computer Science, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Indonesia merupakan negara yang bergantung pada sektor pertanian yang sangat dipengaruhi oleh kondisi cuaca, terutama curah hujan. Perubahan iklim yang tidak menentu menyebabkan pola hujan menjadi sulit diprediksi dan berdampak pada hasil pertanian. Oleh karena itu, dibutuhkan sistem yang mampu memberikan informasi prediksi curah hujan secara akurat untuk membantu petani dalam pengambilan keputusan yang tepat. Penelitian ini bertujuan untuk membangun aplikasi prediksi curah hujan berbasis mobile menggunakan metode Long Short-Term Memory (LSTM). Data yang digunakan berasal dari BMKG banyuwanig periode 2010-2025, dengan tiga parameter utama yaitu temperatur rata-rata (TAVG), kelembapan udara rata-rata (RH_AVG), dan lama penyinaran matahari (SS). Metode penelitian meliputi pengumpulan data, preprocessing data, pembentukan sequence (sliding window), pembuatan model LSTM, evaluasi model, serta implementasi ke dalam aplikasi mobile. Model dilatih menggunakan optimizer Adam, fungsi aktivasi ReLU, dan fungsi loss LogCosh. Hasil evaluasi menunjukkan nilai RMSE sebesar 1.094, MAE sebesar 0.880, dan R2 sebesar 0.144, yang menunjukkan bahwa model mampu mengenali pola curah hujan dengan baik. Model yang telah dilatih diintegrasikan ke dalam API Flask dan dihubungkan dengan aplikasi mobile berbasis Flutter. Aplikasi ini menampilkan hasil prediksi curah hujan harian beserta kategorinya (tidak hujan, hujan ringan, sedang, lebat, dan sangat lebat). Berdasarkan pengujian BlackBox, seluruh fitur aplikasi berfungsi dengan baik sesuai dengan kebutuhan pengguna. Kesimpulannya, metode LSTM efektif digunakan untuk memprediksi curah hujan berdasarkan data cuaca historis dan dapat diimplementasikan ke dalam aplikasi mobile yang berguna bagi petani dalam memantau kondisi cuaca secara real-time dan mendukung pengambilan keputusan di bidang perkebunan.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,902
Tahun 2026 · Penulis: Husamuddin Qais
Prediksi Curah Hujan Berbasis Long Short-Term Memory (LSTM) untuk Mendukung Implementasi Teknologi Pertanian
Curah hujan merupakan salah satu faktor penting yang memengaruhi keberhasilan sektor pertanian karena berkaitan langsung dengan ketersediaan air, pola tanam, serta pengelolaan lahan pertanian. Perubahan pola curah hujan yang tidak menentu dapat menyebabkan ber
- Cosine 0,848
Tahun 2026 · Penulis: Nurrisa Qurrotul Aini
PERAMALAN CURAH HUJAN DI KABUPATEN JEMBER BERBASIS DATA SATELIT HIMAWARI-9 DENGAN METODE LONG SHORT-TERM MEMORY (LSTM)
Kabupaten Jember merupakan wilayah pertanian di Provinsi Jawa Timur yang sangat bergantung pada kondisi curah hujan, namun data dari stasiun pengamatan konvensional masih terbatas, sehingga mendorong pemanfaatan teknologi penginderaan jauh. Penelitian ini bert
- Cosine 0,816
Tahun 2024 · Penulis: Badriah Ramadhani
Pemodelan Hujan Aliran Menggunakan Software Hеc-Hms Berdasarkan Data Curah Hujan Satelit Chirps pada DAS Mayang
Pemodelan hujan menjadi aliran dapat digunakan untuk menilai debit air yang mengalir di sungai dengan menggunakan informasi hujan yang didapatkan dari stasiun hujan pada Daerah Aliran Sungai (DAS). Salah satu solusi dari kendala hilangnya data hujan pada stasi