📍 Stasiun Klimatologi BMKG Sicincin (Padang Pariaman)

Time-Series Deep Learning Rainfall Forecasting

Penelitian skripsi computer science yang memodelkan sifat non-linear curah hujan harian menggunakan arsitektur Long Short-Term Memory (LSTM) pada 36 tahun data observasi iklim (1985 – 2021).

Test Set MSE

0.0312

Normalisasi [0, 1]

Data Coverage

36 Thn

1985 – 2021 BMKG

Horizon Prediksi

4 Hari

Short-term projection

Arsitektur

LSTM

1 Recurrent Hidden Unit

Simulator Inferensi

Interactive

Ubah riwayat curah hujan 4 hari sebelumnya (mm) untuk mengamati bagaimana gerbang retensi & forget gate LSTM memproyeksikan hari ke-5:

Hari t-3: 12.0 mm

Hari t-2: 45.5 mm

Hari t-1: 8.2 mm

Hari t (Kemarin): 32.0 mm

Prediksi Hari t+1

24.6 mm

Hujan Sedang

Visualisasi Sekuens & Proyeksi

Sliding window sequence transition

Chart.js Live

Arsitektur & Persamaan Matematis Sel LSTM

1. Forget & Input Gates

Menentukan porsi memori masa lalu yang dibuang dan seberapa banyak fitur hujan baru yang dimasukkan ke cell state.

f_t = σ(W_f · x_t + U_f · h_{t-1} + b_f)
i_t = σ(W_i · x_t + U_i · h_{t-1} + b_i)

2. Cell State Update

Pembaruan memori jangka panjang dengan menggabungkan retensi masa lalu dan kandidat state baru via non-linear tanh.

C_t = f_t ⊙ C_{t-1} + i_t ⊙ tanh(...)

3. Output & Projection

Hidden state difilter untuk memproyeksikan estimasi curah hujan riil harian yang kemudian di-denormalisasi ke skala mm.

h_t = o_t ⊙ tanh(C_t)
y = h_t · (max - min) + min