UMIUMI

METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi AkuntansiMETHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi

Penelitian ini bertujuan untuk mengimplementasikan metode Deep Learning dalam mendeteksi dini potensi bencana cuaca ekstrem berbasis analisis citra awan satelit. Data yang digunakan berupa citra multi-spektral dari satelit Himawari-8 yang mencakup berbagai kondisi atmosfer. Metode yang digunakan melibatkan dua pendekatan utama, yaitu Convolutional Neural Network sebagai model baseline dan Vision Transformer sebagai model pembanding. Tahapan penelitian meliputi preprocessing data, pelatihan model, evaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score, serta interpretasi model menggunakan pendekatan Explainable AI. Hasil penelitian menunjukkan bahwa model Vision Transformer memiliki performa yang lebih unggul dibandingkan CNN, dengan akurasi mencapai lebih dari 92%. Selain itu, visualisasi menggunakan Grad-CAM menunjukkan bahwa model mampu mengidentifikasi area awan yang relevan dengan fenomena cuaca ekstrem. Penelitian ini memberikan kontribusi dalam pengembangan sistem deteksi dini berbasis citra awan yang akurat dan interpretatif, serta berpotensi untuk diintegrasikan dalam sistem peringatan dini bencana di wilayah rawan seperti Indonesia.

Penelitian ini berhasil mengimplementasikan metode Deep Learning untuk mendeteksi dini potensi bencana cuaca ekstrem berbasis analisis citra awan satelit.Hasil eksperimen menunjukkan bahwa model Vision Transformer memiliki performa yang lebih baik dibandingkan CNN dalam mengidentifikasi pola awan yang berkaitan dengan fenomena cuaca ekstrem.Penelitian ini memberikan kontribusi dalam pengembangan sistem deteksi dini berbasis citra awan yang akurat dan interpretatif, yang berpotensi untuk diintegrasikan dalam sistem peringatan dini bencana di wilayah rawan seperti Indonesia.

Berdasarkan hasil penelitian, disarankan untuk mengembangkan penelitian lanjutan dengan mengintegrasikan pendekatan spatio-temporal melalui pemanfaatan data time-series citra satelit untuk meningkatkan akurasi prediksi. Selain itu, eksplorasi arsitektur model yang lebih kompleks, seperti kombinasi CNN dan Transformer atau penggunaan model berbasis sequence seperti ConvLSTM, dapat meningkatkan performa deteksi. Pengembangan dataset yang lebih besar dan beragam, khususnya yang mencakup wilayah Indonesia, juga penting untuk meningkatkan kemampuan generalisasi model. Integrasi dengan data meteorologi lainnya seperti suhu, kelembaban, dan tekanan udara dapat memberikan informasi tambahan yang berharga. Terakhir, implementasi model dalam sistem real-time berbasis edge computing atau cloud computing perlu dikaji lebih lanjut untuk mendukung sistem peringatan dini yang responsif dan aplikatif di lapangan, sehingga dapat memberikan manfaat nyata bagi masyarakat dalam menghadapi ancaman bencana cuaca ekstrem.

  1. Implementasi Deep Learning untuk Deteksi Dini Bencana Cuaca Ekstrem Berbasis Analisis Citra Awan | METHOMIKA:... ejurnal.methodist.ac.id/index.php/methomika/article/view/3417Implementasi Deep Learning untuk Deteksi Dini Bencana Cuaca Ekstrem Berbasis Analisis Citra Awan METHOMIKA ejurnal methodist ac index php methomika article view 3417
Read online
File size669.8 KB
Pages6
DMCAReport

Related /

ads-block-test