Publisher

KIPMIKIPMI

Journal Communications in Science and TechnologyCommunications in Science and Technology Abstract

Prakiraan curah hujan sangat penting untuk aktivitas manusia, memungkinkan masyarakat mengantisipasi dampak apa pun. Peristiwa curah hujan berkorelasi dengan fenomena alam dan hidrometeorologi lainnya, yang dapat digunakan dalam pemodelan dan prediksi. Penelitian ini menggunakan data CHIRPS harian untuk DAS Gajahwong di Yogyakarta, Indonesia sebagai data presipitasi. Penelitian ini juga menggunakan Suhu Permukaan Laut, Suhu Permukaan Tanah (Siang dan Malam), Suhu Minimum dan Maksimum, Radiasi Matahari, Kecepatan Angin (komponen U dan V), Tekanan Awan (Atas dan Bawah), dan Ketinggian Awan (Atas dan Bawah) sebagai parameter. Selanjutnya, pemrosesan data dilakukan melalui platform Google Earth Engine (GEE). Metode pembelajaran mesin, termasuk Support Vector Regression, Gradient Boosting Regression, Random Forest, dan Deep Neural Networks, diterapkan. Analisis korelasi mengungkapkan bahwa hanya komponen V Kecepatan Angin yang menunjukkan korelasi signifikan dengan curah hujan, tujuh parameter lainnya menunjukkan korelasi sedang, dan empat menunjukkan korelasi lemah. Sementara itu, penilaian akurasi menunjukkan bahwa Support Vector Regression memiliki prediksi paling akurat dengan Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Mean Squared Error (MSE), R2, dan Koefisien Korelasi (CC) masing-masing sebesar 1,366, 0,947, 1,866, 0,948, dan 0,982. Penelitian ini menunjukkan bahwa pemanfaatan kumpulan data atmosfer yang dapat diakses secara terbuka yang diproses melalui GEE dapat menghasilkan prediksi curah hujan yang andal, memfasilitasi keputusan yang tepat dalam skala luas. Metodologi ini mudah disesuaikan dan dapat direproduksi untuk penelitian atau tujuan operasional yang sebanding.

Conclusion

Penelitian ini berhasil mengevaluasi penggunaan data penginderaan jauh akses terbuka dan algoritma kecerdasan buatan untuk prediksi curah hujan harian di DAS Gajahwong, Yogyakarta, menggunakan berbagai variabel hidrometeorologi.Meskipun Gradient Boosting Regression (GBR) menunjukkan kinerja sangat tinggi pada data pelatihan, Support Vector Regression (SVR) terbukti paling unggul dan robust pada data pengujian dengan R² sebesar 0,948, menjadikannya algoritma terbaik.Hasil prediksi yang menjanjikan untuk curah hujan harian ini memiliki potensi besar untuk diterapkan dalam manajemen bencana hidrometeorologi, meskipun saat ini terbatas pada prediksi domain waktu.

Future Research

Saran penelitian lanjutan yang dapat dikembangkan dari studi ini berfokus pada peningkatan kemampuan prediksi dan mengatasi keterbatasan yang ada. Pertama, penting untuk memperluas lingkup prediksi dari domain waktu menjadi domain spasial. Ini berarti mengembangkan model yang tidak hanya memprakirakan curah hujan untuk satu titik atau wilayah keseluruhan, tetapi juga menghasilkan peta prediksi curah hujan dengan resolusi spasial yang baik di seluruh DAS Gajahwong. Penelitian ini dapat mengeksplorasi teknik geostatistik atau model pembelajaran mesin spasial yang terintegrasi dengan data penginderaan jauh, untuk memahami distribusi curah hujan secara lebih detail di berbagai lokasi dalam DAS. Kemampuan untuk memprediksi curah hujan secara spasial akan memberikan informasi yang jauh lebih berharga untuk perencanaan penggunaan lahan, mitigasi banjir lokal, dan manajemen sumber daya air yang presisi di berbagai sub-area DAS.. . Kedua, ada potensi besar untuk eksplorasi variabel hidrometeorologi tambahan dan rekayasa fitur yang lebih canggih. Meskipun studi ini menggunakan dua belas parameter, beberapa menunjukkan korelasi lemah. Penelitian selanjutnya dapat mengidentifikasi dan mengintegrasikan variabel lain yang dikenal memengaruhi curah hujan di wilayah tropis, seperti kelembaban udara, tekanan atmosfer, indeks iklim global yang spesifik (misalnya Madden-Julian Oscillation atau Indian Ocean Dipole), atau bahkan data topografi yang lebih detail. Selain itu, pengembangan fitur dari data yang ada, seperti menciptakan variabel lag tambahan atau kombinasi non-linear dari parameter yang ada, dapat membantu model menangkap pola yang lebih kompleks dan meningkatkan akurasi, terutama untuk kondisi curah hujan ekstrem. Eksplorasi ini akan memperkaya masukan model dan berpotensi menemukan prediktor yang lebih kuat.. . Ketiga, investigasi lebih lanjut terhadap arsitektur Deep Learning (DL) dan model hibrida perlu dilakukan, terutama dengan ketersediaan data deret waktu yang lebih panjang. Meskipun Deep Neural Networks (DNN) dalam studi ini menunjukkan kinerja yang lebih rendah dibandingkan SVR, potensi DL untuk menangkap hubungan non-linear yang sangat kompleks dapat dimanfaatkan dengan data pelatihan yang lebih banyak dan arsitektur yang lebih canggih, seperti Long Short-Term Memory (LSTM) atau Gated Recurrent Unit (GRU) yang sangat cocok untuk deret waktu. Mengingat bahwa studi ini menyarankan data pelatihan yang lebih panjang untuk DL, penelitian selanjutnya dapat fokus pada pengumpulan dan pemanfaatan dataset historis yang lebih ekstensif. Selain itu, menggabungkan kekuatan model ML dan DL dalam arsitektur hibrida dapat menjadi arah yang menjanjikan untuk mencapai keseimbangan antara efisiensi komputasi dan kemampuan generalisasi, mengatasi isu overfitting yang mungkin terjadi pada beberapa model yang digunakan sebelumnya.

References

1. Leveraging machine learning and open accessed remote sensing data for precise rainfall forecasting |... cst.kipmi.or.id/journal/article/view/1638Leveraging machine learning and open accessed remote sensing data for precise rainfall forecasting cst kipmi journal article view 1638

Metadata

File size	2.01 MB
Pages	13
DMCA	Report