Abstract:
Informasi cuaca dan prediksi curah hujan memainkan peran penting dalam berbagai bidang aktivitas. Informasi cuaca dan prediksi curah hujan di Kalimantan Selatan perlu diketahui karena dekat dengan garis khatulistiwa yang menyebabkan daerah ini mengalami pemanasan yang signifikan sehingga meningkatkan potensi pembentukan awan konvektif dan curah hujan yang tinggi. Metode multivariate time series dengan mempelajari data historis iklim telah terbukti efektif untuk memprediksi curah hujan. Salah satu pendekatan yang populer adalah menggunakan model LSTM (Long Short-Term Memory) karena kemampuannya dalam menangani interval yang tidak diketahui antara peristiwa dalam data time series multivariate. Namun, model LSTM dapat terjebak dalam konfigurasi parameter yang hanya mengoptimalkan kinerja pada data training tertentu. Algoritma Grey Wolf Optimizer (GWO) digunakan untuk mengoptimalkan parameter LSTM untuk meningkatkan akurasi dan mencegah hal tersebut. Penelitian ini bertujuan untuk menganalisis pengaruh algoritma GWO terhadap model berbasis LSTM. Dalam penelitian ini, penulis menerapkan model LSTM berbasis algoritma GWO untuk memprediksi curah hujan di wilayah Kota Banjarbaru. Penanganan missing value dilakukan dengan menghapus nilai yang kosong atau mengisinya dengan nilai 0. Pengaturan batch size diterapkan antara 16 dan 32. Hasil penelitian menunjukkan bahwa model Bidirectional LSTM yang menggunakan algoritma GWO dengan penghapusan baris missing value serta pengaturan batch 32 memiliki performa terbaik dibanding model berbasis LSTM lainnya. Penggunaan algoritma GWO pada model Bidirectional LSTM menghasilkan penurunan 67% pada nilai matriks evaluasi validasi loss, 43% pada Root Mean Squared Error (RMSE), 44% pada Mean Absolute Error (MAE), dan 40% pada Root Mean Squared Logarithmic Error (RMSLE). Evaluasi model menunjukkan bahwa nilai matriks evaluasi validasi loss, MAE, RMSLE, dan RMSE berturut-turut adalah 0.01041314192, 0.13438159227, 0.12981936336, dan 0.14372549951.
Kata kunci: Bidirectional, Curah hujan, GWO, LSTM , Prediksi
