Perbandingan Performa LSTM, Bi LSTM, dan CNN-LSTM pada Pemodelan Statistical Downscaling untuk Data Curah Hujan di Jawa Barat

Abstract

Indonesia merupakan negara kepulauan terbesar di dunia yang terletak di antara dua benua dan dua Samudra menjadikan Indonesia memiliki variabilitas iklim yang sangat tinggi, terutama dalam hal curah hujan. Curah hujan berperan penting dalam berbagai aspek kehidupan manusia. Oleh karena itu, prediksi curah hujan secara akurat penting dilakukan guna menunjang ketahanan pangan dan pembangunan pertanian yang berkelanjutan. Pemodelan untuk memprediksi curah hujan telah banyak dilakukan dengan memanfaatkan data yang dihasilkan oleh General Circulation Model (GCM). Namun, GCM umumnya memiliki resolusi spasial yang terlalu kasar untuk diaplikasikan pada skala lokal sehingga pemanfaatannya memerlukan teknik tertentu, yaitu Statistical Downscaling (SD). Penelitian ini bertujuan untuk mengembangkan pemodelan SD pada data curah hujan di Jawa Barat dengan menggunakan tiga metode deep learning, yaitu Long Short-Term Memory (LSTM), Bidirectional LSTM (Bi-LSTM), dan Convolutional Neural Network-LSTM (CNN-LSTM). Penelitian ini juga bertujuan untuk membandingkan kinerja ketiga model tersebut guna mengidentifikasi pendekatan yang paling sesuai. Dataset yang digunakan mencakup data luaran GCM sebagai peubah prediktor dan data curah hujan lokal dari Badan Meteorologi Klimatologi dan Geofisika (BMKG) sebagai peubah respon pada Stasiun Subang, Bogor, Bandung, dan Majalengka, dengan periode tahun 1995 hingga 2024. Model CNN LSTM menunjukkan kinerja prediksi terbaik di seluruh stasiun. Model Bi-LSTM menunjukkan performa yang kompetitif dengan nilai RMSE dan MAE yang sedikit lebih tinggi dibandingkan dengan model CNN-LSTM di keempat stasiun. Sebaliknya, Model LSTM menghasilkan nilai RMSE dan MAE yang lebih tinggi, sehingga kurang optimal dibandingkan dua model lainnya.

Indonesia is the world's largest archipelagic country, located between two continents and two oceans, which results in a high degree of climate variability, particularly in terms of rainfall. Rainfall plays a vital role in various aspects of human life. Therefore, accurate rainfall prediction is essential to support food security and sustainable agriculture development. Rainfall prediction modeling has been widely carried out using data generated by General Circulation Models (GCMs). However, GCMs typically have spatial resolutions that are too coarse for local-scale applications, necessitating the use of techniques such as Statistical Downscaling (SD). This study aims to develop SD models for rainfall prediction in West Java using three deep learning methods: Long Short-Term Memory (LSTM), Bidirectional LSTM (Bi-LSTM), and Convolutional Neural Network–LSTM (CNN-LSTM). It also seeks to compare the performance of these models to identify the most suitable approach. The dataset includes GCM outputs as predictor variables and local rainfall data from the Meteorology, Climatology, and Geophysical Agency (BMKG) as the response variable at Subang, Bogor, Bandung, and Majalengka Stations, for the period 1995 to 2024. The CNN-LSTM model demonstrated the best predictive performance across all stations. The Bi-LSTM model also showed competitive performance, with slightly higher RMSE and MAE values compared to the CNN-LSTM model at all four stations. In contrast, the LSTM model yielded higher RMSE and MAE values, making it less optimal than the other two models.