The performance of LSTMs in analyzing rainfall-runoff dynamics has demonstrated better performance over the physically-based hydrological models. However, data quality remains crucial to further improve the performance of LSTM. In this study, we applied the Integration of Event Identification & Exponential Smoothing (IE2S) method to reduce the fluctuations in inflow, which are typically estimated by the Simple Water Balance method. The preprocessed inflow data was then used to train a LSTM, demonstrating a noticeable improvement in reliability and variability for hourly inflow prediction. This research presents not only new deep learning methods but also data-centric research that is critical to improving the performance of deep learning as an example of rainfall-runoff analysis.