Electronic Theses and Dissertation

Ketidakpastian pola cuaca di kecamatan indrapuri, kabupaten aceh besar, menuntut adanya sistem prediksi curah hujan yang lebih presisi guna mendukung sektor pertanian serta upaya mitigasi bencana daerah. penelitian ini dilakukan untuk mengkaji perbandingan performa antara dua arsitektur deep learning, yaitu long short-term memory (lstm) dan gated recurrent unit (gru), dengan memanfaatkan dataset iklim historis periode 2015 hingga 2024 yang bersumber dari stasiun klimatologi aceh. tahapan penelitian dimulai dengan pra-pemrosesan data yang komprehensif, meliputi penanganan outlier menggunakan metode winsorization serta normalisasi minmaxscaler untuk menjaga stabilitas model. pemodelan dilakukan dengan skema multistep forecasting menggunakan jendela waktu 30 hari sebelumnya untuk memprediksi 10 hari ke depan, di mana konfigurasi hyperparameter dioptimasi secara otomatis menggunakan framework optuna. hasil pengujian menunjukkan bahwa arsitektur lstm memberikan tingkat akurasi yang lebih unggul dibandingkan gru dalam memprediksi curah hujan di wilayah tersebut. model lstm menghasilkan nilai root mean squared error (rmse) sebesar 5,5089 mm dan mean absolute error (mae) sebesar 3,0363 mm, sedikit lebih rendah dibandingkan gru yang menghasilkan rmse 5,5473 mm dan mae 3,1624 mm. melalui analisis ablation study, ditemukan bahwa variabel kecepatan angin rata-rata dan durasi penyinaran matahari memiliki pengaruh paling signifikan terhadap akurasi prediksi. secara keseluruhan, penelitian ini menyimpulkan bahwa arsitektur lstm lebih efektif dan stabil dalam memodelkan curah hujan jangka pendek di kecamatan indrapuri dibandingkan arsitektur gru. kata kunci : curah hujan, deep learning, lstm, gru, prediksi, kecamatan indrapuri.

The uncertainty of weather patterns in Indrapuri District, Aceh Besar Regency, necessitates a more precise rainfall prediction system to support the agricultural sector and regional disaster mitigation efforts. This study aims to compare the performance of two deep learning architectures, Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU), utilizing a historical climate dataset from 2015 to 2024 sourced from the Aceh Climatology Station. The research process begins with comprehensive data preprocessing, including outlier handling using the Winsorization method and MinMaxScaler normalization to ensure model stability. The modeling is carried out using a multistep forecasting scheme with a 30-day time window to predict the next 10 days, while hyperparameter configurations are automatically optimized using the Optuna framework. The experimental results indicate that the LSTM architecture achieves superior accuracy compared to GRU in predicting rainfall in the region. The LSTM model yielded a Root Mean Squared Error (RMSE) of 5.5089 mm and a Mean Absolute Error (MAE) of 3.0363 mm, slightly lower than the GRU model, which resulted in an RMSE of 5.5473 mm and an MAE of 3.1624 mm. Furthermore, ablation study analysis revealed that average wind speed and sunshine duration are the most significant variables influencing prediction accuracy. Overall, this study concludes that the LSTM architecture is more effective and stable in modeling short-term rainfall in Indrapuri District compared to the GRU architecture. Keywords : Rainfall, Deep Learning, LSTM, GRU, Prediction, Indrapuri District.