<![CDATA[Jakarta, sebagai pusat pemerintahan dan ekonomi Indonesia, mengalami urbanisasi pesat yang memengaruhi pola curah hujan serta ketersediaan air, terutama di tengah perubahan iklim global. Model Long Short-Term Memory (LSTM), yang efektif dalam menangani data sekuensial, digunakan untuk menangkap pola curah hujan jangka panjang di Jakarta. Penelitian ini bertujuan untuk membangun model prediksi curah hujan menggunakan LSTM dengan berbagai konfigurasi lapisan dan teknik regulasi. Tiga skenario model diuji: LSTM sederhana, LSTM dengan dropout, dan LSTM dengan kombinasi dropout serta early stopping. Hasil evaluasi menunjukkan bahwa model dengan konfigurasi 1 LSTM layer, 2 dense layer, dan dropout menghasilkan nilai Root Mean Squared Error (RMSE) terendah pada data uji (146,41), mengungguli model dengan konfigurasi lain. Dropout terbukti efektif dalam mengurangi overfitting dan meningkatkan generalisasi model. Namun, model ini masih menghadapi kesulitan dalam memprediksi puncak curah hujan ekstrem. Penggunaan early stopping tidak memberikan peningkatan signifikan dalam performa. Penelitian ini menyimpulkan bahwa kombinasi dropout pada model LSTM dapat menghasilkan prediksi curah hujan bulanan yang baik, dengan potensi peningkatan melalui penyesuaian hyperparameter dan arsitektur model yang lebih kompleks. Model LSTM dapat menghasilkan prediksi curah hujan bulanan yang andal, yang berpotensi mendukung pengambilan keputusan dalam mitigasi risiko banjir, pengelolaan sumber daya air, dan perencanaan infrastruktur untuk adaptasi iklim.]]>
