Perpustakaan Digital ITB

Jakarta merupakan salah satu kota di Indonesia yang hampir setiap tahun mengalami permasalahan banjir. Kota ini terletak di wilayah hilir dari DAS Ciliwung, di mana peristiwa banjir yang terjadi diperparah oleh banjir kiriman dari wilayah hulu melalui luapan sungai Ciliwung. Banjir kiriman ini umumnya dideteksi melalui pembacaan tinggi muka air di Bendung Katulampa dan peringatan dini melalui status siaga yang dikeluarkan sehingga memberikan waktu persiapan untuk warga Jakarta selama 13 hingga 14 jam sebelum banjir mencapai Jakarta. Kerugian yang ditimbulkan akibat peristiwa banjir ini cukup signifikan sehingga dilakukan upaya untuk memperpanjang waktu persiapan melalui prediksi lead time hujan terhadap respon katulampa di DAS Ciliwung Hulu. Metode yang digunakan adalah prediksi berbasis machine learning dengan LSTM, yaitu membaca pola dari data hujan GSMaP untuk memprediksi tinggi muka air di Katulampa. Penggunaan GSMaP dipilih karena akses data hujan yang terbatas dan dibutuhkan sumber data dalam jumlah besar dan realtime. Namun penggunaan kedua sumber data ini memiliki korelasi yang lemah, terbukti dari performa LSTM 1 dengan nilai R² negatif pada set data testing, sedangkan LSTM 2 yang merupakan model pembanding menggunakan data GSMaP dan debit HEC-HMS menunjukkan performa sangat baik pada t=0 dengan nilai R² training 0.999, testing 0.998, dan debit ekstrem pada data testing sebesar 0.998. Selain itu, LSTM 2 juga membuktikan bahwa model mampu mengemulasi proses fisik dan hidrologi HEC- HMS serta memprediksi debit ekstrem (?80 m³/s) hingga 6 jam ke depan dan debit non ekstrem hingga 9 jam.