%A Feri Irawan
%A Arie Qur’ania
%A Dinar Munggaran Akhmad
%I Universitas Pakuan
%D 2024
%X Feri Irawan, 2024. Prediksi Curah Hujan Menggunakan Recurrent Neural Network 
(RNN) Dan Long Short-Term Memory (LSTM). Dibawah bimbingan Ibu Arie Qur’ania, 
M.Kom. dan Dinar Munggaran Akhmad, S.Kom., M.Kom. 
Penelitian ini dilatar belakangi oleh Hujan yang merupakan salah satu fenomena 
alam yang menunjukan jatuhnya titik air dari atmosfer ke permukaan bumi. Curah hujan 
adalah jumlah air yang jatuh di tanah datar selama periode tertentu yang diukur dengan 
satuan tinggi (mm) di atas permukaan horizontal. Jumlah curah hujan diukur sebagai 
volume air yang jatuh di atas permukaan bidang datar dalam periode waktu tertentu, yaitu 
harian, mingguan, bulanan, atau tahunan. Intensitas curah hujan yang tinggi yang sering 
disebut hujan ekstrem dapat mengakibatkan terjadinya bencana alam.
Prediksi Curah Hujan ini akan sangat berguna bagi petani agar dapat 
merencanakan waktu tanam dan panen dengan lebih efisien berdasarkan prediksi curah 
hujan. Ini membantu meningkatkan hasil pertanian dan mengoptimalkan penggunaan 
sumber daya. membantu mengoptimalkan penggunaan irigasi. Jika hujan yang cukup 
diharapkan, petani dan pengelola sumber daya air dapat mengurangi penggunaan irigasi 
dan menghemat air, membantu pencegahan banjir dengan memahami pola curah hujan 
yang diharapkan, dapat diambil langkah-langkah pencegahan untuk mengurangi risiko 
banjir. Misalnya, penataan tata air, konstruksi bendungan, atau peningkatan sistem 
drainase.
Pengujian dimulai dari tahap pengumpulan data berupa data curah hujan yang di 
ambil dari website BMKG oleh BMKG Dramaga Kabupaten Bogor (Dramaga, Empang, 
Cariu, Leuwiliang, dan Gadog) pada Januari 2020 – Juni 2023 dengan jumlah data 6.375.
Prediksi Curah Hujan Menggunakan Recurrent Neural Network (RNN) Dan Long Short�Term Memory (LSTM) dalam konteks prediksi curah hujan penelitian ini bertujuan untuk 
menyelidiki mana yang lebih efektif dalam memprediksi curah hujan dan didapatkan
hasilnya bahawa metode LSTM dan RNN memiliki akurasi prediksi yang telah dievaluasi 
menggunakan MAPE dan RMSE dengan pembagian data 90%, 80%, 70%, 60% data 
Training dan 10%, 20%, 30%, 40% data Testing metode LSTM lebih baik dari pada RNN 
denagan rata-rata nilai MAPE LSTM 0.29%, 4.02%, 4.05%, 2.21% RMSE LSTM 
2.44%, 7.53%, 3.96%, 4.21% dan MAPE RNN 0.31%, 2.33%, 4.22%, 2.23%, nilai 
RMSE RNN 2.52%, 7.69%, 3.97%, 4.26% pengujian paling baik metode LSTM ada pada 
pembagian data Training 60% dan testing 40% dengan rata-rata nilai MAPE LSTM 
2.21% dan RMSE LSTM 4.21%.
%L eprintsunpak7983
%T Prediksi Curah Hujan Menggunakan Recurrent Neural Network 
(RNN) Dan Long Short-Term Memory (LSTM).