ANALISIS PENGARUH HYPERPARAMETER TERHADAP KINERJA MODEL LSTM DAN BILSTM DALAM PREDIKSI CURAH HUJAN HARIAN

Ahmad Zakaria, . (2026) ANALISIS PENGARUH HYPERPARAMETER TERHADAP KINERJA MODEL LSTM DAN BILSTM DALAM PREDIKSI CURAH HUJAN HARIAN. Skripsi thesis, Universitas Pembangunan Nasional Veteran Yogyakarta.

	Text (Cover) YUDISIUM_Cover.pdf - Cover Image Download (115kB)
	Text (Abstrak) YUDISIUM_Abstrak.pdf Download (131kB)
	Text (Pengesahan) YUDISIUM_Pengesahan_v1.pdf Download (1MB)
	Text (Daftar Pustaka) YUDISIUM_DaftarPustaka.pdf Download (151kB)
	Text (Full) YUDISIUM_SkripsiFinal_v.pdf Restricted to Repository staff only Download (2MB)
	Text (DAFTAR ISI) YUDISIUM_DaftarIsi.pdf Download (132kB)

Abstract

Perubahan iklim global menyebabkan pola curah hujan menjadi semakin tidak
menentu sehingga meningkatkan risiko banjir, kekeringan, dan gangguan sektor pertanian.
Kompleksitas geografis Indonesia memperumit proses prediksi curah hujan karena
dipengaruhi berbagai faktor atmosfer lokal dan regional. Perkembangan deep learning
memungkinkan pemodelan deret waktu yang lebih baik melalui arsitektur Long Short-Term
Memory (LSTM) dan Bidirectional Long Short-Term Memory (BiLSTM). Namun, belum
diketahui secara pasti apakah BiLSTM selalu lebih unggul dibandingkan LSTM serta
bagaimana pengaruh variasi hyperparameter dan panjang urutan data (timesteps) terhadap
performa prediksi.
Penelitian ini bertujuan menganalisis perbandingan kinerja LSTM dan BiLSTM
dalam memprediksi curah hujan harian multivariat serta mengevaluasi pengaruh variasi
timesteps dan hyperparameter terhadap akurasi model. Data diperoleh dari Stasiun
Meteorologi Citeko Kabupaten Bogor dengan beberapa parameter cuaca harian sebagai
variabel input dan curah hujan sebagai target. Model diuji menggunakan timesteps 7, 14, dan
30 serta dioptimasi melalui eksplorasi units LSTM, dense units, dropout rate, batch size, dan
learning rate. Evaluasi dilakukan menggunakan Root Mean Squared Error (RMSE) dan
Mean Absolute Error (MAE).
Hasil penelitian menunjukkan bahwa kedua model mencapai performa terbaik pada
timesteps 7. LSTM menghasilkan RMSE 13,0448 dan MAE 7,5624, sedangkan BiLSTM
menghasilkan RMSE 13,0883 dan MAE 7,5676. Peningkatan panjang timesteps justru
meningkatkan error karena membawa informasi yang kurang relevan dan noise.
Kompleksitas tambahan pada BiLSTM tidak memberikan peningkatan akurasi yang
signifikan karena karakteristik curah hujan bersifat kausal satu arah. Faktor yang paling
memengaruhi performa model adalah interaksi antara timesteps, jumlah units, dan dropout
rate, sementara learning rate relatif konstan pada nilai optimal 0,003.
Penelitian ini menyimpulkan bahwa model yang lebih kompleks tidak selalu
menghasilkan prediksi yang lebih baik. LSTM dengan konfigurasi hyperparameter optimal
dan timesteps pendek memberikan keseimbangan terbaik antara akurasi dan stabilitas,
sehingga lebih cocok untuk prediksi curah hujan harian multivariat. Hasil penelitian
diharapkan menjadi referensi dalam pengembangan model prediksi curah hujan yang akurat,
efisien, dan aplikatif untuk mendukung pengambilan keputusan di berbagai sektor.

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	Ahmad Zakaria (Penulis 123220077) Ahmad Taufiq Akbar (Pembimbing)
Uncontrolled Keywords:	Curah Hujan, Multivariat, Prediksi, Hyperparameter, Timesteps
Subjek:	T Technology > T Technology (General) T Technology > TA Engineering (General). Civil engineering (General)
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Indah Lestari
Date Deposited:	18 Feb 2026 07:35
Last Modified:	18 Feb 2026 07:35
URI:	http://eprints.upnyk.ac.id/id/eprint/47077

Actions (login required)

View Item