Penelitian ini membahas perbandingan antara algoritma Long Short Term Memory (LSTM) dan Gated Recurrent Unit (GRU) dalam memprediksi puncak curah hujan di daerah DKI Jakarta. Curah hujan yang ekstrem dapat menyebabkan berbagai dampak negatif seperti banjir dan kerusakan infrastruktur, sehingga penting untuk memiliki model yang akurat dalam memprediksi puncak curah hujan untuk upaya mitigasi. LSTM dan GRU merupakan dua arsitektur utama dalam jaringan saraf tiruan berbasis recurrent yang dirancang untuk menangani data deret waktu dan memiliki kelebihan dalam memodelkan ketergantungan jangka panjang. Penelitian ini bertujuan untuk membandingkan performa algoritma Long Short Term Memory (LSTM) dan Gated Recurrent Unit (GRU) dalam memprediksi curah hujan di DKI Jakarta. Penelitian ini menggunakan data historis curah hujan DKI Jakarta untuk melatih dan menguji kedua model tersebut, serta membandingkan kinerjanya berdasarkan evaluasi model seperti akurasi, presisi, recall, dan Mean Absolute Error (MAE). Hasil penelitian menunjukkan bahwa kedua algoritma memiliki performa yang kompetitif, namun GRU menunjukkan kinerja yang sedikit lebih baik dalam hal efisiensi komputasi dan prediksi yang lebih stabil. Temuan ini memberikan wawasan tentang pemilihan model yang tepat untuk aplikasi prediksi cuaca, serta kontribusi terhadap pengembangan teknik prediksi curah hujan yang lebih efektif di daerah urban.

This study discusses a comparison between the Long Short Term Memory (LSTM) and Gated Recurrent Unit (GRU) algorithms in predicting peak rainfall in the DKI Jakarta area. Extreme rainfall can cause various negative impacts, such as flooding and infrastructure damage, making it crucial to have an accurate model for predicting peak rainfall for mitigation efforts. LSTM and GRU are two main architectures in recurrent neural networks designed to handle time-series data and have advantages in modeling long-term dependencies. This study aims to compare the performance of the Long Short Term Memory (LSTM) and Gated Recurrent Unit (GRU) algorithms in predicting rainfall in DKI Jakarta. The study uses historical rainfall data from DKI Jakarta to train and test both models and compares their performance based on model evaluation metrics such as accuracy, precision, recall, and Mean Absolute Error (MAE). The results of the study show that both algorithms have competitive performance; however, GRU demonstrates slightly better efficiency in terms of computation and provides more stable predictions. These findings provide insights into selecting the appropriate model for weather prediction applications and contribute to the development of more effective rainfall prediction techniques in urban areas.