Deteksi Anomali Hasil Pengukuran Penakar Hujan Otomatis Menggunakan Metode Long Short Term Memory

Abstract

Perkembangan teknologi memungkinkan Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) untuk melakukan pengamatan curah hujan secara otomatis menggunakan peralatan penakar hujan otomatis. Namun, peralatan ini berpotensi menghasilkan data curah hujan yang tidak valid akibat kerusakan sensor atau gangguan lingkungan. Penelitian ini bertujuan untuk mendeteksi anomali hasil pengukuran penakar hujan otomatis dengan metode Long Short Term Memory (LSTM) untuk memastikan validitas data dan mempercepat perbaikan peralatan yang mengalami malfungsi. Deteksi anomali dilakukan melalui metode quality control (QC) berbasis range dan step check, spatial check, serta error check yang menghasilkan label Total Anomali QC. Label ini kemudian ditransformasikan menggunakan one-hot encoding dan digunakan sebagai input dalam model klasifikasi berbasis LSTM. Hasil pengujian menunjukkan bahwa model mampu mengklasifikasikan anomali data dengan akurasi lebih dari 90% pada kluster barat, timur, dan pesisir, sehingga memungkinkan deteksi anomali yang lebih akurat dan efisien. Hasil penelitian ini berkontribusi dalam meningkatkan keandalan pengukuran curah hujan otomatis dan mendukung upaya BMKG dalam menjaga kualitas data cuaca dan iklim.