Indonesia sebagai negara dengan iklim tropis, sangat rentan terhadap pergeseran musim yang dapat berdampak besar pada sektor pertanian, terutama di Kabupaten Subang, di mana sebagian besar penduduknya bergantung pada komoditas padi dan nanas. Perubahan iklim, seperti fenomena El Nino, menyebabkan ketidakpastian dalam pola curah hujan yang mengganggu perencanaan waktu tanam dan panen. Untuk mengatasi permasalahan ini, diperlukan suatu metode prediksi curah hujan yang akurat. Dalam penelitian ini, digunakan model Long Short-Term Memory (LSTM) untuk memprediksi rata-rata curah hujan bulanan. Penelitian ini menjelaskan mekanisme preprocessing data sebelum pemodelan, penerapan LSTM, serta proses prediksi rata-rata curah hujan bulanan untuk satu tahun ke depan, yang kemudian dievaluasi dengan menggunakan metrik evaluasi seperti MAE, MSE, RMSE, CAI, dan R² sebagai indikator kualitas model. Proses pengisian nilai hilang (missing values) dilakukan dengan menggunakan interpolasi linear dan KNN imputer untuk melengkapi dataset yang digunakan dalam pemodelan. Hasil pengujian model LSTM menunjukkan akurasi yang baik dengan nilai koefisien determinan R² mencapai 83,26%, serta nilai MAE sebesar 0,207 mm, MSE 0,2538 (mm)², RMSE 0,0644 mm, dan CAI 0,838. Berdasarkan hasil ini, dapat disimpulkan bahwa model Long Short-Term Memory (LSTM) cukup baik dalam memprediksi rata-rata curah hujan bulanan.

Indonesia as a tropical country, is highly vulnerable to seasonal shifts that can significantly impact the agricultural sector, particularly in Subang Regency, where most of the population relies on rice and pineapple commodities. Climate change, such as the El Niño phenomenon, has caused uncertainty in rainfall patterns, disrupting the planning of planting and harvesting schedules. To address this issue, an accurate rainfall prediction method is required. In this study, a Long Short-Term Memory (LSTM) model was applied to predict the average monthly rainfall. The research describes the data preprocessing mechanisms prior to modeling, the implementation of LSTM, as well as the prediction process of average monthly rainfall for the following year, which was then evaluated using evaluation metrics such as MAE, MSE, RMSE, CAI, and R² as indicators of model quality. Missing values were handled using linear interpolation and KNN imputer to complete the dataset used in the modeling process. The results of the LSTM model testing showed good accuracy, with a coefficient of determination (R²) reaching 83.26%, MAE of 0.207 mm, MSE of 0.2538 (mm)², RMSE of 0.0644 mm, and CAI of 0.838. Based on these results, it can be concluded that the Long Short-Term Memory (LSTM) model performs well in predicting average monthly rainfall.