| dc.description.abstract | Indonesia memiliki potensi pertanian yang besar, tetapi keberhasilan produksi sangat dipengaruhi oleh variabilitas curah hujan karena kondisi terlalu basah maupun terlalu kering dapat memicu banjir, kekeringan, gangguan tanaman, perubahan kalender tanam, dan penurunan hasil produksi. Oleh karena itu, informasi prediksi cuaca yang akurat diperlukan untuk mendukung pengambilan keputusan dan langkah antisipasi di sektor pertanian. Salah satu skala prediksi yang berkembang adalah Subseasonal to Seasonal (S2S), yaitu rentang prediksi sekitar dua minggu hingga dua bulan yang menjembatani prediksi cuaca dan iklim serta mendukung kebutuhan operasional dan strategis, seperti peringatan dini bencana, pengelolaan irigasi, dan perencanaan pertanian.
Prediksi S2S masih menjadi tantangan karena jarak waktu prediksi yang panjang, tetapi keterampilannya dapat dipengaruhi oleh variabilitas atmosfer, kelembaban tanah, tutupan salju, dan kondisi laut. Pengembangan prediksi S2S dapat memanfaatkan output Global Climate Model (GCM), yang merepresentasikan sistem iklim dalam bentuk grid tiga dimensi dan menyediakan prediksi ensemble sekitar 30 hingga 60 hari dari berbagai pusat penyedia data, sehingga dapat digunakan sebagai prediktor dalam pembangunan model prediksi curah hujan skala S2S.
Penelitian terdahulu menunjukkan bahwa metode statistik dan deep learning mampu meningkatkan keterampilan prediksi curah hujan pada skala S2S. Namun, sebagian penelitian masih berfokus pada evaluasi output GCM, koreksi bias, downscaling, atau penggunaan informasi spasial dan temporal secara terpisah. Kondisi tersebut menjadi dasar untuk mempertimbangkan pendekatan yang menggabungkan pola spasial variabel atmosfer ECMWF dengan informasi temporal curah hujan. Penelitian ini bertujuan membangun model prediksi curah hujan skala S2S berbasis deep learning menggunakan arsitektur hybrid CNN–LSTM dan CNN–GRU dengan memanfaatkan output GCM ECMWF sebagai prediktor dan data curah hujan beresolusi tinggi sebagai prediktan pada wilayah Pulau Jawa.
Tahapan penelitian meliputi praproses data, pengelompokan spasial dengan K-Means, penyesuaian lead time, pembagian data pelatihan, validasi, dan pengujian, serta optimasi hyperparameter menggunakan grid search. CNN digunakan untuk mengekstraksi fitur spasial dari tujuh variabel atmosfer ECMWF, sedangkan LSTM dan GRU digunakan untuk memodelkan dinamika temporal curah hujan lokal. Penelitian ini membangun model prediksi curah hujan skala S2S berbasis deep learning melalui pendekatan hibrida CNN–LSTM dan CNN–GRU, dengan data prediktor berupa tujuh variabel atmosfer ECMWF S2S, yaitu skt, t200, t850, u200, u850, v200, dan v850, serta data prediktan berupa curah hujan CHIRPS.
Model yang dibuat mampu menghasilkan prediksi mengikuti struktur operasional rilis ECMWF, yaitu dari lead time 0 hingga lead time 45, sehingga setiap rilis dapat menyediakan prakiraan curah hujan hingga 46 hari ke depan. Hasil evaluasi menunjukkan bahwa performa model bervariasi secara spasial di Pulau Jawa, dengan kecenderungan hasil yang lebih baik pada beberapa titik di wilayah Jawa bagian tengah hingga timur. Pada model CNN–LSTM, performa terbaik cenderung ditemukan di wilayah Jawa bagian tengah, yang ditunjukkan oleh RMSE relatif rendah sebesar 3,286, korelasi tinggi sebesar 0,944, BSS sebesar 0,414, dan CRPSS tertinggi sebesar 0,775. Secara spasial, wilayah Jawa bagian tengah hingga timur umumnya menunjukkan RMSE lebih rendah, korelasi tinggi, serta BSS dan CRPSS yang relatif baik, sedangkan wilayah Jawa bagian barat, terutama bagian barat laut hingga ujung barat, masih menunjukkan RMSE lebih tinggi, korelasi lebih rendah, dan BSS yang sebagian bernilai negatif. Pada model CNN–GRU, performa yang relatif baik juga terkonsentrasi di wilayah Jawa bagian tengah, khususnya bagian tengah hingga selatan, yang ditunjukkan oleh RMSE sebesar 2,939, korelasi sebesar 0,954, BSS sebesar 0,406, dan CRPSS sebesar 0,631. Sebaliknya, kinerja yang lebih rendah terlihat pada sebagian wilayah Jawa bagian barat serta bagian timur hingga tenggara, yang ditandai oleh RMSE lebih tinggi dan BSS rendah atau negatif. Evaluasi per klaster juga menunjukkan bahwa CNN–LSTM memiliki CRPSS lebih tinggi pada sebagian besar klaster, sedangkan CNN–GRU menunjukkan variasi RMSE dan BSS yang lebih besar antarwilayah. Hal ini diperkuat oleh distribusi metrik pada seluruh titik, dengan CNN–LSTM memiliki median RMSE yang lebih rendah, korelasi dan BSS yang cenderung lebih tinggi, serta CRPSS yang secara jelas lebih tinggi dibandingkan CNN–GRU. Secara umum, CNN–LSTM menunjukkan performa yang lebih stabil dibandingkan CNN–GRU, dengan wilayah Jawa bagian tengah menjadi area yang cenderung memberikan hasil prediksi terbaik pada kedua model. | |
