Prediksi curah hujan sangat penting untuk berbagai sektor, termasuk pertanian, manajemen bencana, dan perencanaan perkotaan, terutama di negara tropis seperti Indonesia, di mana kondisi cuaca sangat mempengaruhi kehidupan sehari-hari. Penelitian ini berfokus pada prediksi curah hujan di Kota Bandar Lampung menggunakan metode Long Short-Term Memory (LSTM), sebuah jenis Recurrent Neural Network (RNN) yang dirancang untuk menangani data berurutan dan ketergantungan jangka panjang. Penelitian ini bertujuan untuk mengembangkan model prediksi dengan memanfaatkan data historis curah hujan dari Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) untuk periode 2019-2023 dengan menggunakan data sebanyak 1826 dengan data latih sebesar 90% dan data uji sebesar 10%. Metodologi yang digunakan meliputi pengumpulan data, preprocessing melalui teknik normalisasi, dan implementasi algoritma LSTM. Kinerja model dievaluasi menggunakan metrik Root Mean Square Error (RMSE) dan Mean Absolute Error (MAE) untuk memastikan akurasi dan keandalan prediksi. Hasil penelitian menunjukkan bahwa model LSTM memiliki akurasi tinggi dalam memprediksi pola curah hujan, dengan nilai RMSE dengan Train Score sebesar 12.42 dan Test Score sebesar 7.48, dan Mean Absolute Error (MAE) dengan Train Score sebesar 7.03 dan Test Score sebesar 4.08, menunjukkan pengurangan signifikan dalam kesalahan prediksi dibandingkan dengan metode tradisional. Penelitian ini menyimpulkan bahwa LSTM adalah metode yang layak dan efektif untuk prediksi curah hujan, memberikan alat yang berharga untuk prakiraan meteorologi di Bandar Lampung. Penelitian ini juga menyoroti pentingnya data yang ekstensif dan pemilihan parameter yang optimal untuk meningkatkan kinerja model. Penelitian lanjutan dapat mengeksplorasi integrasi variabel iklim tambahan dan dataset yang lebih panjang untuk lebih meningkatkan akurasi prediksi.

Rainfall prediction is crucial for various sectors, including agriculture, disaster management, and urban planning, particularly in tropical countries like Indonesia, where weather conditions significantly impact daily life. This study focuses on predicting rainfall in Bandar Lampung City using the Long Short-Term Memory (LSTM) method, a type of Recurrent Neural Network (RNN) designed to handle sequential data and long term dependencies. The research aims to develop a predictive model utilizing historical rainfall data from the Meteorology, Climatology, and Geophysics Agency (BMKG) for the period 2019-2023 using 1826 data with 90% training data and 10% test data. The methodology includes data collection, preprocessing through normalization techniques, and the implementation of the LSTM algorithm. The model's performance is evaluated using Root Mean Square Error (RMSE) and Mean Absolute Error (MAE) metrics to ensure accuracy and reliability. The results indicate that the LSTM model demonstrates high accuracy in predicting rainfall patterns, with RMSE values of 12.42 for the train score and 7.48 for the test score, and MAE values of 7.03 for the train score and 4.08 for the test score, showing a significant reduction in prediction errors compared to traditional methods. The study concludes that LSTM is a viable and effective method for rainfall prediction, providing a valuable tool for meteorological forecasting in Bandar Lampung. The research also highlights the importance of extensive data and optimal parameter selection to improve model performance. Future studies may explore integrating additional climatic variables and longer datasets to further enhance prediction accuracy.