Kisan Emiliano Rape Tupen Pengarang ADRIANA FANGGIDAE Dosen Pembimbing 2 Dr. Yulianto T. Polly, S.Kom., M.Cs - 19780726 200312 1 000 Dosen Pembimbing 1 Sebastianus Adi Santoso Mola Ketua Penguji Juan Rizky Manuel Ledoh, S.Kom., M.Cs Penguji 1 Clarissa Elfira Amos Pah, S.Kom,.M.T.I Penguji 2

Perubahan iklim yang menyebabkan curah hujan tidak menentu berdampak langsung pada sektor pertanian, khususnya di Kabupaten Manggarai Barat yang bergantung pada sistem pertanian tadah hujan. Penelitian ini bertujuan untuk membangun model prediksi curah hujan berbasis bulanan dan mingguan menggunakan Feed Forward Neural Network (FFNN) yang dioptimalkan oleh Flower Pollination Algorithm (FPA) yang selanjutnya disebut Flower Pollination Neural Network (FPNN). Penelitian ini menggunakan data iklim harian periode 1 Januari 2010 hingga 31 Januari 2024 yang diperoleh dari data online BMKG. Model dilatih dengan pendekatan normalisasi, seleksi fitur, dan skema sliding window dengan 4 skema pembagian data, kemudian diuji menggunakan metrik Mean Square Error (MSE) pada skala normalisasi dan Mean Absolute Error (MAE) pada skala denormalisasi (asli). Dalam pengembangan model digunakan metode grid search untuk menemukan kombinasi hyperparameter terbaik. Terdapat 135 kombinasi hyperparameter baik pada model prediksi bulanan maupun mingguan. Setiap kombinasi hyperparameter dilakukan pelatihan dan pengujian sebanyak 10 kali perulangan. Hasil penelitian menunjukkan bahwa model prediksi bulanan terbaik dengan jumlah 120 neuron input, 14 neuron hidden, 1 neuron output, jumlah populasi 20, nilai switch probability 0,5, batas bawah -5, dan batas atas 5 dengan nilai MSE 0,005356 (skala normalisasi), dan nilai MAE 3,521083 (skala asli) yang termasuk kategori error rendah. model prediksi mingguan terbaik dengan jumlah 28 neuron input, 6 neuron hidden, 1 neuron output, jumlah populasi 20, nilai switch probability 0,6, batas bawah -5, dan batas atas 5 dengan nilai MSE 0,005018 (skala normalisasi), dan nilai MAE 3,285939 (skala asli) yang juga termasuk kategorierror rendah. Meskipun terdapat beberapa kesalahan prediksi yang jauh, secara keseluruhan model prediksi yang dibuat dapat digunakan sebagai alat bantu untuk menentukan waktu tanam yang optimal, kegiatan pertanian setelah masa tanam, serta potensi sebagai model peringatan dini terhadap bencana hidrologi seperti banjir, tanah longsor, dan kekeringan.