PENINGKATAN AKURASI PREDIKSI CURAH HUJAN HARIAN MENGGUNAKAN LSTM-PSO BERBASIS DATA BMKG STASIUN GEOFISIKA PASURUAN

Abstract

Kabupaten Pasuruan merupakan salah satu daerah dengan risiko tinggi bencana hidrometeorologi di Jawa Timur. Keterbatasan model prediksi konvensional dalam menangkap pola curah hujan yang kompleks dan non-linear, serta proses hyperparameter tuning yang tidak efisien, mendorong pengembangan model yang lebih adaptif. Penelitian ini bertujuan mengembangkan model prediksi curah hujan harian berbasis integrasi Long Short-Term Memory (LSTM) dan Particle Swarm Optimization (PSO) menggunakan data meteorologi BMKG Stasiun Geofisika Pasuruan periode 2021–2025 dengan total 1.815 data pengamatan. Variabel yang digunakan meliputi curah hujan, suhu udara rata-rata, dan kelembapan udara rata-rata. Prapemrosesan data mencakup deteksi outlier menggunakan Interquartile Range (IQR), imputasi linear, normalisasi Min-Max, dan transformasi sliding window 7 hari. PSO dikonfigurasi dengan 20 partikel dan 30 iterasi untuk mengoptimasi hyperparameter utama LSTM. Hasil evaluasi menunjukkan model LSTM-PSO mengungguli LSTM baseline pada seluruh metrik evaluasi, dengan peningkatan MAE sebesar 7,54%, RMSE sebesar 3,62%, serta NSE dan R² sebesar 76,85%. Optimasi hyperparameter berbasis PSO terbukti mampu meningkatkan akurasi dan stabilitas model LSTM dalam memprediksi curah hujan harian di Kabupaten Pasuruan.