Prediksi Kejadian Hujan dan Tidak Hujan Menggunakan Metode Long Short Term Memory (LSTM) untuk Optimalisasi Aktivitas Forcing di PT. Great Giant Pineapple (GGP), Lampung (Studi Kasus Tahun 2023)
Hujan merupakan aspek penting bagi kehidupan, baik dan buruknya kualitas hujan pada suatu wilayah dapat memberikan dampak terhadap ketersediaan sumber daya air, perencanaan pembangunan, pertanian, dan kebencanaan. Selama beberapa tahun terakhir, penelitian tentang prediksi hujan berkembang dengan cepat. Banyak model yang telah berhasil memberikan tingkat akurasi cukup tinggi dalam melakukan prediksi hujan. Tujuan penelitian ini adalah menerapkan metode prediksi Long Short Term Memory (LSTM) sebagai metode prediksi kejadian hujan dan tidak hujan di lingkungan area tanam PT. GGP, Lampung. Prediksi kejadian hujan dan tidak hujan dengan resolusi per jam menjadi sangat penting untuk mengoptimalkan aktivitas forcing pada PT. GGP. Forcing merupakan teknik perangsangan pembungaan untuk mempercepat dan menyeragamkan pembungaan dari vegetatif ke generatif dengan
menggunakan bahan kimia [7]. Untuk memastikan keberhasilan dalam aktivitas forcing maka kegiatan ini harus dilakukan dalam keadaan cuaca yang baik yaitu tidak hujan,suhu lingkungan terbaik yaitu di bawah 25 °C atau malam hari.
Hasil penelitian ini menunjukkan metode Long Short Term Memory dengan arsitektur Vanilla LSTM dapat digunakan untuk memprediksi kejadian hujan dan tidak hujan pada area tanam PT. GGP. Tingkat akurasi prediksi pada Stasiun Traknus dan Stasiun Lakop juga dapat dilihat dari persentase kejadian hujan dan tidak hujan yang dihasilkan model. Nilai persentase kejadian hujan Stasiun Traknus dan Lakop masing-masing 3,99% dan 3,33%. Sedangkan, nilai persentase kejadian tidak hujan pada kedua stasiun sama yaitu 94,07%. Persentase keberhasilan aktivitas forcing saat kejadian tidak hujan dan temperatur berada di bawah 25 °C memperoleh nilai 91,67% untuk Stasiun Traknus dan 93,75% untuk Stasiun Lakop. Model LSTM yang telah dibangun berhasil memperoleh nilai RMSE curah hujan terkecil pada Stasiun Traknus yaitu 1,18 mm dan pada Stasiun Lakop yaitu 0,98 mm.
Variabel masukan model paling optimal untuk Stasiun Traknus yaitu variabel masukan 3 yang berisi parameter curah hujan (RF), temperatur (T), kecepatan angin (WS), kelembapan relatif (RH), arah angin (WD), tekanan udara (AP), radiasi matahari (UV), hari dalam tahun (DoY), dan jam pengamatan data. Pada Stasiun Lakop variabel masukan model optimal yaitu variabel masukan 2 dan variabel masukan 3. Variabel masukan 2 berisi semua parameter cuaca yaitu curah hujan (RF), temperatur (T), kecepatan angin (WS), kelembapan relatif (RH), arah angin (WD), tekanan udara (AP), dan radiasi matahari (UV). Tipe hyperparameter LSTM yang paling berpengaruh untuk menghasilkan nilai RMSE terkecil pada Stasiun Traknus dan Stasiun Lakop adalah parameter jumlah epoch model. Tipe hyperparameter LSTM paling berpengaruh terhadap hasil persentase kejadian hujan dan tidak hujan pada kedua stasiun pengujian adalah parameter panjang data sekuensial model.
Nama : Faris Anang Purnama
NIM : 120290073
Wisuda : Juli 2024
