Prediksi curah hujan menjadi hal yang saat ini berkembang sangat pesat dalam dunia penelitian. Hal tersebut disebabkan karena kebutuhan umat manusia untuk memastikan kapan hujan akan tiba dan seberapa curah hujan yang turun. Namun karena curah hujan merupakan salah satu bagian dari cuaca pada jangka pendek dan iklim pada jangka panjang sehingga banyak faktor yang mempengaruhinya. Mengetahui informasi prakiraan hujan dapat membantu mengatur sumber daya air terutama ketika menghadapi munculnya perubahan iklim di daerah tropis seperti Indonesia. Selain itu perubahan iklim telah mempengaruhi pola curah hujan, menyebabkan beberapa bencana alam seperti hujan lebat yang mengakibatkan banjir atau tidak adanya curah hujan yang berkepanjangan yang mengakibatkan kekeringan [1]. Secara umum ada dua pendekatan yang digunakan dalam memprediksi curah hujan yaitu tradisional statistika dan Artificial Intelligence. Kedua pendekatan ini memiliki potensi yang cukup kuat untuk memprediksi curah hujan secara akurat. Dalam penelitian ini lebih difokuskan pada pendekatan Artificial Intelligence dengan Deep Learning sebagai cabangnya. Berdasarkan tinjauan pustaka, metode yang sering digunakan saat ini adalah LSTM dengan berbagai modifikasi dengan pengembangan arsitektur di dalamnya, salah satunya Attention Mechanism. Oleh sebab itu kombinasi dari berbagai pengembangan diharapkan mampu menemukan perbaikan prediksi pada tiap elemen model. Selain itu data yang digunakan berbentuk spatial dan temporal yang berupa CHRPS data dengan grid 5x5 km sehingga tidak lagi memerlukan interpolasi untuk memprediksi daerah tanpa data. Peneliti mengambil curah hujan sebagai fitur input, dan output dari model adalah prediksi curah hujan bulanan berikutnya. Bobot perhatian spasial dan temporal yang berjalan dalam model akan mempengaruhi keluaran model sehingga diharapkan kinerja model dapat mendekati nilai sebenarnya dari kumpulan data. Kontribusi utama dalam penelitian ini meliputi: Model prakiraan curah hujan bulanan yang dapat ditafsirkan berdasarkan data CHIRPS diusulkan menggunakan metode Stacked LSTM-AML, dan pemilihan hyperparameter dan eksperimen komparatif dilakukan untuk optimasi dan evaluasi Stacked LSTM-AML yang diusulkan. Tujuan dilakukannya penelitian ini adalah untuk mengembangkan model LSTM dengan beberapa modifikasi atau tambahan untuk memprediksi curah hujan dengan cara: (1) kajian pustaka dan pengembangan ide, (2) pengunduhan dan preprocessing data, (3) implementasi model ke dalam program, (4) generalisasi data, (5) eksperimen, (6) analisis hasil dan pembuatan laporan. Dari penelitian ini dapat ditargetkan luaran yang berupa jurnal international yang bereputasi. Tuliskan judul usulan penelitian Ringkasan penelitian tidak lebih dari 500 kata yang berisi latar belakang penelitian, tujuan dan tahapan metode penelitian, luaran yang ditargetkan, serta uraian TKT penelitian yang diusulkan.Tingkat Kesiapterapan Teknologi (TKT) yang ditargetkan pada akhir penelitian adalah TKT 3 dengan uraian masing-masing TKT sebagai berikut: TKT 1: Tinjauan pustaka pada paper-paper yang memiliki penelitian serupa, merumuskan urutan metode prediksi curah hujan dan melakukan penulisan program menggunakan bahasa pemrograman Python dan library TensorFlow. TKT 2: Mengimplementasikan algoritma terkait dengan prediksi khususnya curah hujan melalui tahapan analisa data terstruktur hingga melakukan evaluasi pada proses training dan testing. TKT 3: Mengeksekusi program bersamaan dengan hyperparameter tuning dengan algoritme Random Search untuk melakukan prediksi dengan data dan hasilnya dibandingkan dengan data prediksi

Prediksi curah hujan; analisis spasial-temporal; CHIRPS data; LSTM model; attention mechanism.

• I Gede Putra Kusuma Negara, B.Eng., PhD