Perpustakaan Digital ITB

kondisi cuaca dan iklim di Indonesia. Penelitian ini bertujuan untuk menentukan wilayah yang paling optimal sebagai indikator perhitungan indeks monsun di Indonesia dengan menggunakan angin zonal pada lapisan 850 hPa dan 200 hPa. Indeks tersebut akan digunakan untuk memprediksi nilai indeks tersebut menggunakan metode Long Short Term Memory (LSTM), sebuah algoritma deep learning yang cocok untuk pemodelan deret waktu. Metode ini dipilih karena memiliki kemampuan dalam menangkap pola jangka panjang yang cocok untuk memprediksi nilai indeks monsun di masa yang akan datang dengan data univariat. Hasil menunjukkan bahwa terdapat dua wilayah optimasi untuk perhitungan Indonesian Monsoon Index (IMI). Indeks I ada pada domain 95°BT–115°BT dan 4°LS–6°LU, serta indeks II pada domain 110.75°BT–130.75°BT dan 11°LS–1°LS. Berdasarkan domain tersebut, diperoleh nilai IMI yang dihitung dari selisih antara indeks I dan Indeks II. Nilai IMI tersebut selanjutnya diprediksi menggunakan model LSTM. Hasil eksplorasi menunjukkan bahwa model terbaik mampu melakukan prediksi hingga 12 bulan ke depan dengan akurasi tinggi, ditunjukkan oleh nilai Root Mean Square Error (RMSE) sebesar 2.655 m/s, Mean Absolute Error (MAE) sebesar 2.161 m/s, dan R Square Value (R²) sebesar 0.898. Penelitian ini menunjukkan bahwa pendekatan LSTM efektif dalam memodelkan dan memprediksi indeks monsun di Indonesia secara jangka panjang. Namun, analisis pada tahun 2024 menunjukkan bahwa korelasi antara IMI dan anomali curah hujan hanya sebesar -0.13646 dengan p-value 0.672238, menandakan hubungan yang sangat lemah dan tidak signifikan secara statistik. Hal ini mengindikasikan bahwa curah hujan bulanan kemungkinan besar pada tahun 2024 dipengaruhi oleh faktor atmosfer lain seperti Madden-Julian Oscillation (MJO) atau Indian Ocean Dipole (IOD). Selain itu, penggunaan data ERA5 juga dapat menjadi penyebab rendahnya korelasi tersebut, mengingat adanya ketidakpastian dan bias dalam data reanalisis yang memengaruhi akurasi perhitungan indeks.