Claim Missing Document
Check
Articles

Found 2 Documents
Search

Integrasi Long Short-Term Memory dan Large Language Model untuk Prediksi Curah Hujan dan Mitigasi Kekeringan Heru Hidayatulloh; Sri Mulyono; Luluk Indah Rahmawati
Jurnal Rekayasa Sistem Informasi dan Teknologi Vol. 4 No. 1 (2026): Agustus
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70248/jrsit.v4i1.4455

Abstract

Kekeringan merupakan salah satu bencana hidrometeorologi yang berkaitan dengan rendahnya curah hujan dan dapat berdampak pada ketersediaan air, pertanian, serta aktivitas masyarakat. Penelitian ini bertujuan mengembangkan sistem prediksi curah hujan menggunakan Long Short-Term Memory (LSTM) yang diintegrasikan dengan Large Language Model (LLM) melalui Gemini AI untuk mendukung interpretasi kondisi curah hujan dan mitigasi risiko kekeringan di Kabupaten Kendal. Data yang digunakan berupa 447 data historis curah hujan dasarian dari BMKG dengan rentang nilai curah hujan historis sebesar 0–[nilai maksimum] mm. Tahapan penelitian meliputi pembagian data secara kronologis menjadi 80% training, 10% validation, dan 10% testing, normalisasi Min-Max Scaling, pembentukan sliding window 24 periode, pelatihan LSTM, serta iterative forecasting selama 36 periode dasarian. Hasil evaluasi menghasilkan MAE sebesar 20,8357 mm, MSE sebesar 736,7793 mm², RMSE sebesar 27,1437 mm, dan R² sebesar 0,7339. Penentuan potensi risiko kekeringan didasarkan pada kategori curah hujan rendah menggunakan threshold yang ditetapkan dalam penelitian dan tidak menggunakan indeks kekeringan meteorologis seperti SPI atau SPEI. Hasil prediksi kemudian diklasifikasikan berdasarkan threshold tersebut sebelum dikirimkan ke Gemini AI. Gemini AI berperan sebagai komponen interpretasi yang mengeksekusi prompt engineering berbasis hasil klasifikasi untuk menghasilkan informasi dan rekomendasi mitigasi dalam bahasa alami, bukan sebagai penentu utama risiko. Seluruh pipeline prediksi, klasifikasi, dan interpretasi berhasil diimplementasikan dalam aplikasi web berbasis Streamlit. Sistem memiliki keterbatasan berupa potensi akumulasi galat pada iterative forecasting jangka panjang dan belum mempertimbangkan indeks kekeringan meteorologis.
Prediksi Curah Hujan menggunakan Extreme Gradient Boosting (XGBoost) dan Interpretasi Large Language Model sebagai Pendukung Mitigasi Banjir di Kota Semarang Luluk Indah Rahmawati; Ghufron Asadly; Heru Hidayatulloh
Populer: Jurnal Penelitian Mahasiswa Vol. 5 No. 3 (2026): September : Populer: Jurnal Penelitian Mahasiswa
Publisher : Universitas Maritim AMNI Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58192/populer.v5i3.5474

Abstract

Rainfall is one of the factors associated with flooding in Semarang City, so information about future rainfall conditions is needed to support preparedness and mitigation. This study implements Extreme Gradient Boosting (XGBoost) to predict daily rainfall using historical rainfall observations obtained from the Meteorology, Climatology, and Geophysics Agency (BMKG) and integrates a Large Language Model (LLM) through Gemini AI to interpret prediction results. The research stages consist of data preparation, cleaning, feature engineering, model development, hyperparameter optimization, evaluation, iterative forecasting, and LLM-based interpretation. The model uses eight input features, namely RR_t-1, RR_t-2, RR_t-3, RR_t-7, rolling_3, rolling_7, sin_bulan, and cos_bulan, with the target transformed using log1p(). RandomizedSearchCV with TimeSeriesSplit was applied to evaluate 30 hyperparameter combinations using five folds. The final evaluation produced an MAE of 5.1502 mm, RMSE of 11.8584 mm, and R² of 0.7458. The model was subsequently used to forecast rainfall for 60 days ahead. The predicted daily values were summarized by month and interpreted by Gemini AI to provide descriptive information, an indicative flood-risk level, and mitigation recommendations. The resulting system provides not only numerical rainfall predictions but also contextual information that is easier for users to understand as supporting information for flood mitigation in Semarang City.