Anomali satelit yang disebabkan oleh peristiwa cuaca antariksa seperti badai geomagnetik menimbulkan risiko serius terhadap operasi satelit, khususnya di Orbit Bumi Rendah (LEO). Sementara penelitian sebelumnya telah menerapkan model seperti Wavelet Recurrent Neural Networks (WRNN), transformator anomali, dan autoencoder untuk deteksi anomali, sebagian besar hanya berfokus pada prediksi temporal tanpa visualisasi spasial. Penelitian ini mengatasi kesenjangan tersebut dengan menerapkan model Long Short-Term Memory (LSTM) dalam Sistem Informasi Anomali Satelit (di Indonesia, disebut Sistem Informasi Anomali Satelit (SIAS)) untuk memprediksi koordinat anomali dan distribusi spasial menggunakan data cuaca antariksa. Mengikuti metodologi Cross-Industry Standard Process for Data Mining (CRISP-DM), sistem ini dikembangkan menggunakan telemetri dan data lingkungan dari POES, OMNIWeb, dan NOAA GOES, diproses menjadi format deret waktu, dan dimodelkan menggunakan Python dan Flask, dengan antarmuka web berbasis Laravel. Model LSTM memberikan prediksi pada interval 10 menit dan 1 hari serta menghasilkan koordinat lintang-bujur dan kontur peta panas. Hasil evaluasi menunjukkan kinerja model yang kuat dengan Mean Absolute Error (MAE) sebesar 1,8%, yang menunjukkan efektivitas sistem dalam meningkatkan deteksi anomali spasial secara real-time dan menawarkan keuntungan signifikan dibandingkan pendekatan sebelumnya dalam hal presisi dan kegunaan.
Kata kunci —Satelit, Anomali, Cuaca Antariksa, LSTM, SIAS, CRISP-DM