UGUG

Jurnal Ilmiah Desain & KonstruksiJurnal Ilmiah Desain & Konstruksi

Penelitian ini bertujuan untuk menguji efektivitas algoritma metaheuristik dan machine learning dalam melakukan imputasi data hujan harian yang hilang, dengan fokus pada wilayah Jakarta. Kesenjangan data pada pencatatan curah hujan harian merupakan tantangan dalam analisis hidrologi dan prakiraan cuaca. Metode penelitian mencakup pengumpulan data curah hujan harian dari tiga stasiun BMKG di Jakarta (Halim Perdanakusuma, Soekarno Hatta, dan Kemayoran) untuk periode 1995-2021. Identifikasi menunjukkan adanya missing data yang signifikan: 459 data di Soekarno-Hatta, 262 di Kemayoran, dan 5694 di Halim Perdanakusuma. Algoritma Random Forest dengan optimasi Particle Swarm Optimization (PSO) dikembangkan untuk memperbaiki data hujan di Stasiun Halim Perdanakusuma, menggunakan data dari Soekarno-Hatta dan Kemayoran sebagai input. Kinerja algoritma ini dibandingkan dengan metode konvensional, yaitu metode aritmatika dan resiprok. Hasil penelitian menunjukkan bahwa metode PSO-Random Forest memiliki kemampuan yang lebih baik dalam mengimputasi data yang hilang dibandingkan dengan metode konvensional, dilihat dari nilai error yang lebih rendah dan korelasi yang lebih tinggi dengan data observasi. Penelitian ini memberikan kontribusi signifikan dalam peningkatan kualitas data curah hujan, yang sangat penting untuk keperluan analisis hidrologi, mitigasi bencana, dan perencanaan sumber daya air di wilayah Jakarta.

Penelitian ini menyimpulkan bahwa metode PSO-Random Forest efektif untuk imputasi data hujan harian di wilayah Jakarta.Metode ini menunjukkan kinerja yang lebih baik dibandingkan metode konvensional (rata‑rata aritmatika dan resiprok) berdasarkan nilai RMSE, MAE, dan koefisien korelasi.Dengan demikian, PSO-Random Forest berkontribusi signifikan terhadap peningkatan kualitas data curah hujan yang penting untuk analisis hidrologi, mitigasi bencana, dan perencanaan sumber daya air.

Penelitian lanjutan dapat mengeksplorasi penggunaan jaringan sensor curah hujan yang lebih luas, melibatkan lebih dari tiga stasiun BMKG, untuk menilai bagaimana peningkatan densitas spatial memengaruhi akurasi imputasi data hujan harian di Jakarta; selanjutnya, studi komparatif antara algoritma metaheuristik lainnya seperti Genetic Algorithm, Ant Colony Optimization, dan Particle Swarm Optimization dapat dilakukan untuk menentukan algoritma mana yang paling optimal dalam mengoptimalkan parameter model Random Forest pada konteks imputasi curah hujan; terakhir, integrasi variabel meteorologi tambahan seperti suhu, kelembaban relatif, dan kecepatan angin ke dalam model PSO‑Random Forest dapat diuji untuk melihat apakah penambahan faktor-faktor tersebut meningkatkan presisi imputasi serta memberikan pemahaman yang lebih komprehensif tentang dinamika curah hujan di wilayah urban.

  1. KINERJA ALGORITMA PSO RANDOM FOREST VERSUS METODE KONVENSIONAL: IMPUTASI HUJAN HARIAN JAKARTA | Jurnal... doi.org/10.35760/dk.2025.v24i2.312KINERJA ALGORITMA PSO RANDOM FOREST VERSUS METODE KONVENSIONAL IMPUTASI HUJAN HARIAN JAKARTA Jurnal doi 10 35760 dk 2025 v24i2 312
  2. ANALISIS EFEKTIVITAS TEKNIK IMPUTASI PADA LSTM UNTUK MENINGKATKAN KUALITAS DATA PADA PERAMALAN CURAH... doi.org/10.36595/jire.v7i2.1172ANALISIS EFEKTIVITAS TEKNIK IMPUTASI PADA LSTM UNTUK MENINGKATKAN KUALITAS DATA PADA PERAMALAN CURAH doi 10 36595 jire v7i2 1172
  3. Characterizing the Uncertainty and Assessing the Value of Gap-Filled Daily Rainfall Data in Hawaii in:... journals.ametsoc.org/view/journals/apme/59/7/jamcD200007.xmlCharacterizing the Uncertainty and Assessing the Value of Gap Filled Daily Rainfall Data in Hawaii in journals ametsoc view journals apme 59 7 jamcD200007 xml
Read online
File size476.14 KB
Pages9
DMCAReport

Related /

ads-block-test