<![CDATA[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.]]>
