<![CDATA[Prediksi curah hujan jangka pendek yang presisi diperlukan untuk memperkuat mitigasi banjir di Kota Bogor sebagai wilayah hulu Daerah Aliran Sungai Ciliwung. Penelitian ini mengembangkan model hybrid Convolutional Neural Network (CNN)-Transformer untuk memprediksi curah hujan harian pada horizon H+1 hingga H+3 menggunakan deret waktu meteorologi multivariat periode 2018-2023. Variabel masukan mencakup curah hujan, suhu, kelembaban, tekanan udara, serta arah dan kecepatan angin. Pra-pemrosesan meliputi penanganan nilai hilang, penyaringan pencilan tidak valid, normalisasi, pembentukan sliding window tujuh hari, dan pembagian data kronologis 80:10:10. CNN digunakan untuk mengekstraksi pola lokal, sedangkan Transformer memodelkan dependensi temporal melalui self-attention. Hasil pengujian menunjukkan koefisien determinasi model hybrid sebesar 0,93-0,97, lebih tinggi daripada CNN tunggal sebesar 0,62-0,69 dan Transformer tunggal sebesar 0,67-0,70. Meskipun demikian, diagnostik memperlihatkan underestimation pada hujan sangat lebat karena kejadian ekstrem jarang terwakili dalam data historis. Model ini berpotensi memperkuat prediksi kuantitatif curah hujan sebagai masukan sistem peringatan dini banjir, tetapi kalibrasi khusus untuk kejadian ekstrem tetap diperlukan sebelum penerapan operasional. Analisis feature importance juga menempatkan kelembaban sebagai prediktor dominan, sehingga temuan model tetap selaras dengan proses fisik pembentukan presipitasi tropis lokal Bogor.]]>
