Prediksi Curah Hujan Berbasis Hybrid LSTM–ARIMA Dalam Mendukung Pertanian Presisi di Kabupaten Sleman

Muhammad Fathahillah Haqqi, . (2026) Prediksi Curah Hujan Berbasis Hybrid LSTM–ARIMA Dalam Mendukung Pertanian Presisi di Kabupaten Sleman. Skripsi thesis, UPN Veteran Yogyakarta.

	Text 123220140_Cover - Muhammad Fathahillah Haqqi.pdf Download (167kB)
	Text 123220140_Abstrak - Muhammad Fathahillah Haqqi.pdf Download (212kB)
	Text 123220140_Halaman Pengesahan - Muhammad Fathahillah Haqqi.pdf Download (262kB)
	Text 123220140_Daftar Isi - Muhammad Fathahillah Haqqi.pdf Download (248kB)
	Text 123220140_Daftar Pustaka - Muhammad Fathahillah Haqqi.pdf Download (182kB)
	Text 123220140_Fulltext - Muhammad Fathahillah Haqqi.pdf Restricted to Repository staff only Download (1MB)

Abstract

Sektor pertanian di Kabupaten Sleman sangat bergantung pada ketersediaan air irigasi yang dipengaruhi langsung oleh variabilitas curah hujan akibat perubahan iklim. Pola curah hujan yang fluktuatif menyebabkan praktik irigasi tidak efisien, baik berupa pemberian air berlebihan pada musim hujan maupun kekurangan pasokan pada fase kritis pertumbuhan tanaman. Model statistik klasik seperti ARIMA memiliki keterbatasan dalam menangkap pola non-linear, sementara model deep learning LSTM unggul dalam menangkap dependensi temporal jangka panjang namun masih menyisakan komponen linear pada residualnya. Penelitian ini mengkaji bagaimana model hybrid LSTM–ARIMA dapat meningkatkan akurasi prediksi curah hujan sekaligus mendukung praktik pertanian presisi melalui estimasi kebutuhan air irigasi.
Penelitian ini menggunakan data dari BMKG Stasiun Klimatologi Sleman periode 1 Januari 2010 hingga 31 Desember 2025, mencakup variabel curah hujan (RR), temperatur rata-rata (TAVG), kelembapan udara (RH_AVG), dan lama penyinaran matahari (SS). Tahap praproses mencakup pembersihan kode error, validasi tanggal, resampling harian, dan imputasi nilai hilang menggunakan Regresi Linear Multivariat dengan fallback interpolasi waktu. Pembagian data dilakukan dengan metode Walk-Forward Validation berpendekatan Rolling Window. Arsitektur LSTM dioptimasi melalui hyperparameter tuning menggunakan Grid Search dengan evaluasi TimeSeriesSplit. Model hybrid dikembangkan menggunakan pendekatan reversed hybrid, di mana LSTM berperan sebagai prediktor utama dan ARIMA memodelkan komponen linear pada residual LSTM. Evaluasi kinerja menggunakan metrik RMSE dan MAE melalui 13 fold Walk-Forward Validation, dan hasil prediksi diintegrasikan ke dalam perhitungan neraca air berbasis metode FAO-56 Penman–Monteith untuk menghasilkan estimasi Net Irrigation Requirement (NIR).
Hasil penelitian menunjukkan bahwa model hybrid LSTM–ARIMA mencatatkan performa terbaik dengan rata-rata RMSE sebesar 13,8845 mm dan MAE sebesar 7,3360 mm, mengungguli model LSTM murni (RMSE 14,2475 mm) dan ARIMA (RMSE 15,5424 mm). Konfigurasi LSTM optimal diperoleh dengan look-back window 30 hari, 128 unit hidden layer pertama, 25 unit hidden layer kedua, learning rate 0,01, dan batch size 64. Pemodelan residual menggunakan ARIMA (4,0,4) dipilih berdasarkan nilai AIC terendah sebesar 47.836,82, dengan residual LSTM terkonfirmasi stasioner pada tingkat level (d=0). Integrasi hasil prediksi ke dalam simulasi neraca air berhasil menghasilkan rekomendasi irigasi yang adaptif, di mana sistem mampu mendeteksi kondisi surplus maupun defisit air secara otomatis dan memberikan estimasi volume air irigasi per hektar. Penelitian ini membuktikan bahwa pendekatan hybrid LSTM–ARIMA yang dioptimasi secara sistematis tidak hanya meningkatkan akurasi prediksi curah hujan, tetapi juga dapat diterjemahkan ke dalam informasi agronomis kuantitatif untuk mendukung efisiensi pengelolaan air pada pertanian presisi di Kabupaten Sleman.

Item Type:	Tugas Akhir (Skripsi)
Uncontrolled Keywords:	prediksi curah hujan, hybrid LSTM–ARIMA, hyperparameter tuning, pertanian presisi, kebutuhan air irigasi
Subjek:	T Technology > TD Environmental technology. Sanitary engineering
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	UPA Perpustakaan
Date Deposited:	06 Oct 2026 08:09
Last Modified:	06 Oct 2026 08:09
URI:	http://eprints.upnyk.ac.id/id/eprint/49536

Actions (login required)

View Item