PERAMALAN TINGKAT CURAH HUJAN MENGGUNAKAN METODE CONVOLUTION NEURAL NETWORK (CNN) (STUDI KASUS : BMKG STASIUN METEOROLOGI MARITIM PERAK II SURABAYA)

Musim hujan merupakan sebuah kondisi wilayah dimana intensitas curah hujan meningkat secara tetap dan teratur dalam waktu tertentu. Namun demikian curah hujan berbeda – beda setiap daerah tergantung dari kondisi geografis maupun topografis masing – masing daerahnya. Cuaca sering kali tidak menentu curah hujan bisa naik maupun bisa turun secara drastis sehingga banyak sektor yang terkena dampak serta berbagai bencana dapat mengancam kehidupan seperti kekeringan, banjir, tanah longsor, dan lainnya. Maka diperlukan adanya sebuah solusi untuk mengetahui tingkat curah hujan suatu daerah untuk mengatasi permasalahan yang ada. Oleh karena itu, perlu dilakukan peramalan curah hujan untuk mengetahui tingkat curah hujan yang akan dialami pada waktu mendatang. Penelitian ini menggunakan data iklim harian dari Badan Meteorologi Klimatologi dan Geofisika (BMKG) Stasiun Meteorologi Maritim Perak II Surabaya di daerah Surabaya antara tanggal 1 Januari 2022 – 31 Desember 2022 yang berjumlah 365 data. Pra pemrosesan data dilakukan untuk mengisi data yang kosong serta normalisasi data untuk menyetarakan data tanpa menghilangkan karakteristik dari data. Penelitian menggunakan metode Convolutional Neural Network (CNN) untuk peramalan tingkat curah hujan yang memiliki beberapa perubahan arsitektur untuk menganalisa hasil error dalam skenario pengujian sehingga mendapatkan skenario yang terbaik dalam peramalan tingkat curah hujan. Pada hasil pengujian intensitas curah hujan dengan menggunakan data rentang 1 tahun dihasilkan RMSE 0.18009 dan MAPE 9.04321%, sedangkan data rentang April sampai September dihasilkan RMSE 0.00130 dan MAPE 6.43897%, dan data rentang Oktober sampai Maret dengan RMSE 0.00255 dan MAPE 3.47579%. Hasil terbaik yaitu terjadi pada penggunaan data rentang April sampai September dengan skenario terbaik pada CNN yaitu 3 lapisan konvolusi, 3 lapisan Max Pooling telah menghasilkan RMSE 0.00130 dan MAPE 6.43897%. Hasil dari penggunaan skenario terbaik dapat digunakan untuk peramalan tingkat curah hujan dengan data iklim harian.