Perbandingan Kinerja Model Random Forest dan LSTM dalam Prediksi Curah Hujan Bulanan pada Wilayah Zona Musim di Jawa Tengah
DOI:
https://doi.org/10.52436/1.jpti.2218Keywords:
Curah Hujan Bulanan, Jawa Tengah, Long Short-Term Memory, Random Forest, Zona MusimAbstract
Curah hujan merupakan unsur meteorologi yang dipengaruhi oleh fenomena atmosfer global dan regional sehingga prediksi curah hujan bulanan yang akurat penting untuk mendukung sektor pertanian, pengelolaan sumber daya air, dan mitigasi bencana hidrometeorologi. Penelitian ini bertujuan membandingkan kinerja model Random Forest dan Long Short-Term Memory (LSTM) dalam memprediksi curah hujan bulanan pada 54 Zona Musim (ZOM) di Jawa Tengah. Data yang digunakan meliputi curah hujan bulanan serta indeks variabilitas iklim Niño 3.4, DMI, WNPMI, dan AUSMI periode 1991–2024. Model dikembangkan menggunakan data pelatihan 1991–2023 dan diuji pada data tahun 2024. Optimasi Random Forest dilakukan menggunakan TimeSeriesSplit lima fold, sedangkan LSTM menerapkan look-back window 12 bulan. Evaluasi model menggunakan koefisien korelasi, RMSE, standar deviasi, bias, dan Metrik T. Hasil menunjukkan bahwa model LSTM memiliki performa yang lebih baik dibandingkan Random Forest pada sebagian besar ZOM. LSTM menghasilkan median koefisien korelasi sebesar 0,89 dan median RMSE sebesar 93,98 mm, lebih baik dibandingkan Random Forest dengan median koefisien korelasi 0,78 dan median RMSE 103,30 mm. Namun, Random Forest menunjukkan kemampuan yang sedikit lebih baik dalam merepresentasikan variabilitas curah hujan dan menghasilkan bias yang lebih rendah. Berdasarkan Metrik T, LSTM menjadi model terbaik pada 37 dari 54 ZOM (68,5%), sedangkan Random Forest unggul pada 17 ZOM (31,5%). Penelitian ini memberikan evaluasi komprehensif terhadap kedua algoritma pada skala ZOM menggunakan indeks variabilitas iklim sebagai prediktor serta menyediakan referensi dalam pemilihan model prediksi curah hujan untuk mendukung pengembangan sistem prakiraan operasional BMKG.
Downloads
References
U. Hidayat, S. Prasetyo, Y. Donni Haryanto, and N. Florida Riama, “Pengaruh ENSO Terhadap Curah Hujan dan Kelembapan Relatif serta Suhu Permukaan Laut di Sulawesi,” BGB, vol. 2, no. 2, pp. 88–96, Mar. 2022, doi: 10.31172/bgb.v2i2.56.
N. D. Rahayu, B. Sasmito, and N. Bashit, “ANALISIS PENGARUH FENOMENA INDIAN OCEAN DIPOLE (IOD) TERHADAP CURAH HUJAN DI PULAU JAWA,” 2018.
A. F. I. Susilo, G. Harsono, and A. Wirasatya, “Pengaruh IOD (Indian Ocean Dipole) Terhadap Variabilitas Distribusi Suhu Permukaan Laut dan Klorofil-A Pada Tahun 2019 di Perairan Meulaboh, Kepulauan Sinabang, Provinsi Aceh,” Jurnal Hidrografi Indonesia, vol. 4, no. 2, pp. 57–72, Jan. 2024, doi: 10.62703/jhi.v4i2.32.
F. S. Pandia, B. Sasmito, and A. Sukmono, “ANALISIS PENGARUH ANGIN MONSUN TERHADAP PERUBAHAN CURAH HUJAN DENGAN PENGINDERAAN JAUH (STUDI KASUS: PROVINSI JAWA TENGAH),” Jurnal Geodesi Undip; Vol 8, No 1 (2019)DO - 10.14710/jgundip.2019.22581, Jan. 2019, [Online]. Available: https://ejournal3.undip.ac.id/index.php/geodesi/article/view/22581
BMKG, Peta Rata-rata Curah Hujan dan Hari Hujan Periode 1991 – 2020 Indonesia. Jakarta: Pusat Informasi Perubahan Iklim BMKG, 2021.
BMKG, “Buletin Informasi Iklim Edisi April 2025,” Badan Meteorologi Klimatologi Dan Geofisika, Semarang, Indonesia, 113, Apr. 2025. [Online]. Available: https://iklimjateng.info/
M. S. Putri, S. Junaidi, and A. Mardiyah, “Pemodelan dan Prediksi Tingkat Kemiskinan Provinsi Sumatera Barat Menggunakan Support Vector Machine,” vol. 7, no. 1, 2026, doi: 10.37859/coscitech.v7i1.11207.
I. Mahmuda and A. W. Ciptaningtyas, “PREDIKSI CURAH HUJAN BULANAN MENGGUNAKAN METODE NAÏVE BAYES DI KOTA MALANG,” vol. 13, 2024.
D. Sangaji and T. Sutabri, “Analisis XGBoost dan Random Forest untuk Prediksi Curah Hujan dalam Mendukung Mitigasi Karhutla,” Jurnal Pustaka AI, vol. 5, no. 1, pp. 13–18, Apr. 2025, doi: 10.55382/jurnalpustakaai.v5i1.905.
G. Z. Muflih, S. Sunardi, and A. Yudhana, “Jaringan Saraf Tiruan Backpropagation untuk Prediksi Curah Hujan di Wilayah Kabupaten Wonosobo,” MUST, vol. 4, no. 1, p. 45, Jul. 2019, doi: 10.30651/must.v4i1.2670.
S. Dong, “Precipitation Prediction Using Long Short-Term Memory Networks: Improving Seasonal Rainfall Forecast Accuracy for Flood and Drought Prevention,” in 2024 International Conference on Advances in Electrical Engineering and Computer Applications (AEECA), Dalian, China: IEEE, Aug. 2024, pp. 345–349. doi: 10.1109/AEECA62331.2024.00067.
R. Rubangi, A. Hermawan, and D. Avianto, “Prediksi Curah Hujan Wilayah Provinsi Yogyakarta dengan Algoritma Neural Network,” JASIEK, vol. 3, no. 1, pp. 47–54, Jun. 2021, doi: 10.26905/jasiek.v3i1.6204.
M. Unik, M. E. Aldo Fahrurrozi, H. Harmaini, and C. Kusuma, “MODEL PREDIKSI CURAH HUJAN MENGGUNAKAN ALGORTIMA MACHINE LEARNING YANG DITINGKATKAN,” CoSciTech, vol. 5, no. 2, pp. 439–448, Aug. 2024, doi: 10.37859/coscitech.v5i2.7629.
H. Andrianof, Aggy Pramana Gusman, and Okta Andrica Putra, “Implementasi Algoritma Random Forest untuk Prediksi Kelulusan Mahasiswa Berdasarkan Data Akademik: Studi Kasus di Perguruan Tinggi Indonesia,” Ju. Sa. In. Te., vol. 4, no. 1, pp. 24–28, Feb. 2025, doi: 10.62357/jsit.v4i2.464.
R. Meenal, P. A. Michael, D. Pamela, and E. Rajasekaran, “Weather prediction using random forest machine learning model,” IJEECS, vol. 22, no. 2, p. 1208, May 2021, doi: 10.11591/ijeecs.v22.i2.pp1208-1215.
F. Z. Che Rose, N. A. K. Rosili, and M. F. Marsani, “Comparison of machine learning model performance for predicting the climate variables in Johor Bahru, Malaysia,” Sci Rep, vol. 15, no. 1, p. 23465, Jul. 2025, doi: 10.1038/s41598-025-08033-y.
M. Montenegro, R. Célleri, J. Orellana-Alvear, P. Muñoz, and M. Córdova, “Precipitation forecasting using random forest over an ecuadorian andes basin,” Meteorol Atmos Phys, vol. 137, no. 1, p. 5, Jan. 2025, doi: 10.1007/s00703-024-01053-9.
F. Alam, M. Islam, A. Deb, and S. S. Hossain, “Comparison of deep learning models for weather forecasting in different climatic zones,” J. Comput. Sci. Eng, vol. 5, no. 1, pp. 12–19, Apr. 2024, doi: 10.36596/jcse.v5i1.729.
D. Supriatna, S. Anggai, and T. Tukiyat, “Analisis Prediksi Curah Hujan di Kota Tangerang Menggunakan Metode LSTM dan GRU,” Jurnal Pustaka AI, vol. 5, no. 2, pp. 119–131, Aug. 2025, doi: 10.55382/jurnalpustakaai.v5i2.1068.
D. Desmonda, T. Tursina, and M. A. Irwansyah, “Prediksi Besaran Curah Hujan Menggunakan Metode Fuzzy Time Series,” justin, vol. 6, no. 4, p. 141, Oct. 2018, doi: 10.26418/justin.v6i4.27036.
Y. S. Swarinoto and E. E. S. Makmur, “SIMULASI PREDIKSI PROBABILITAS AWAL MUSIM HUJAN DAN PANJANG MUSIM HUJAN DI ZOM 126 DENPASAR,” JMG, vol. 11, no. 1, Jun. 2010, doi: 10.31172/jmg.v11i1.56.
W. G. Kurnia, “PREDIKSI CURAH HUJAN BULANAN MENGGUNAKAN MULTI PREDIKTOR DI ZOM 313 SULAWESI TENGGARA,” Buletin Meteorologi, Klimatologi, Kualitas Udara, Geofisika, dan Lingkungan, vol. 13, no. 01, pp. 1–5, Aug. 2022, doi: 10.46824/megasains.v13i01.44.
A. Althnian et al., “Impact of Dataset Size on Classification Performance: An Empirical Evaluation in the Medical Domain,” Applied Sciences, vol. 11, no. 2, p. 796, Jan. 2021, doi: 10.3390/app11020796.
L. Santoso and Priyadi, “Comparative Study of Feature Engineering Techniques for Predictive Data Analytics,” JTIE, vol. 3, no. 2, pp. 417–435, Aug. 2024, doi: 10.51903/jtie.v3i2.225.
A. Bansal, K. Balaji, and Z. Lalani, “Temporal Encoding Strategies for Energy Time Series Prediction,” 2025, arXiv. doi: 10.48550/ARXIV.2503.15456.
E. Lewinson, “Three Approaches to Encoding Time Information as Features for ML Models,” NVIDIA Technical Blog. Accessed: Jan. 23, 2026. [Online]. Available: https://developer.nvidia.com/blog/three-approaches-to-encoding-time-information-as-features-for-ml-models/
A. Pranolo et al., “Enhanced Multivariate Time Series Analysis Using LSTM: A Comparative Study of Min-Max and Z-Score Normalization Techniques,” Ilk. J. Ilm., vol. 16, no. 2, pp. 210–220, Aug. 2024, doi: 10.33096/ilkom.v16i2.2333.210-220.
W. M. Ridwan, M. Sapitang, A. Aziz, K. F. Kushiar, A. N. Ahmed, and A. El-Shafie, “Rainfall forecasting model using machine learning methods: Case study Terengganu, Malaysia,” Ain Shams Engineering Journal, vol. 12, no. 2, pp. 1651–1663, Jun. 2021, doi: 10.1016/j.asej.2020.09.011.
A. Temizel, T. Halici, B. Logoglu, T. T. Temizel, F. Omruuzun, and E. Karaman, “Experiences on Image and Video Processing with CUDA and OpenCL,” in GPU Computing Gems Emerald Edition, Elsevier, 2011, pp. 547–567. doi: 10.1016/B978-0-12-384988-5.00034-6.
T. Chai and R. R. Draxler, “Root mean square error (RMSE) or mean absolute error (MAE)? – Arguments against avoiding RMSE in the literature,” Geosci. Model Dev., vol. 7, no. 3, pp. 1247–1250, Jun. 2014, doi: 10.5194/gmd-7-1247-2014.
D. G. Altman and J. M. Bland, “Standard deviations and standard errors,” BMJ, vol. 331, no. 7521, p. 903, Oct. 2005, doi: 10.1136/bmj.331.7521.903.
B. A. Walther and J. L. Moore, “The concepts of bias, precision and accuracy, and their use in testing the performance of species richness estimators, with a literature review of estimator performance,” Ecography, vol. 28, no. 6, pp. 815–829, Dec. 2005, doi: 10.1111/j.2005.0906-7590.04112.x.
B. Tian et al., “Development of a Model Performance Metric and Its Application to Assess Summer Precipitation over the U.S. Great Plains in Downscaled Climate Simulations,” Journal of Hydrometeorology, vol. 18, no. 10, pp. 2781–2799, Oct. 2017, doi: 10.1175/JHM-D-17-0045.1.
