digilib@itb.ac.id +62 812 2508 8800

ABSTRAK Frank Leonard Tansaulu
PUBLIC Rita Nurainni, S.I.Pus

COVER Frank Leonard Tansaulu
Terbatas  Rita Nurainni, S.I.Pus
» Gedung UPT Perpustakaan

BAB 1 Frank Leonard Tansaulu
Terbatas  Rita Nurainni, S.I.Pus
» Gedung UPT Perpustakaan

BAB 2 Frank Leonard Tansaulu
Terbatas  Rita Nurainni, S.I.Pus
» Gedung UPT Perpustakaan

BAB 3 Frank Leonard Tansaulu
Terbatas  Rita Nurainni, S.I.Pus
» Gedung UPT Perpustakaan

BAB 4 Frank Leonard Tansaulu
Terbatas  Rita Nurainni, S.I.Pus
» Gedung UPT Perpustakaan

BAB 5 Frank Leonard Tansaulu
Terbatas  Rita Nurainni, S.I.Pus
» Gedung UPT Perpustakaan

PUSTAKA Frank Leonard Tansaulu
Terbatas  Rita Nurainni, S.I.Pus
» Gedung UPT Perpustakaan

Majalaya merupakan salah satu wilayah yang sering mengalami permasalahan banjir akibat hujan yang terjadi di wilayah Hulu DAS Citarum. Hal ini menyebabkan masyarakat setempat secara mandiri melakukan prediksi hujan manual, melalui pengamatan pola awan di wilayah hulu yang berpotensi menghasilkan hujan serta menyebabkan banjir di Majalaya. Namun, prediksi secara manual yang dilakukan oleh masyarakat ini memiliki beberapa kekurangan, yaitu bersifat sangat subjektif, serta kurang efektif karena harus selalu ada orang yang melakukan pengamatan. Oleh karena itu, penelitian ini dilakukan untuk membangun suatu model deteksi dan prediksi kejadian hujan secara otomatis dengan menggunakan machine learning model. Penelitian ini menggunakan metode Convolutional Neural Network (CNN), yaitu salah satu metode dalam machine learning yang bertujuan untuk mengekstrak fitur-fitur yang ada pada gambar, sehingga menghasilkan sebuah model fungsi yang dapat menentukan output dari gambar yang di-input-kan pada model tersebut. Model dibangun dengan dua skema, yaitu skema deteksi untuk lag waktu 0 menit dan skema prediksi untuk lag waktu 10, 20, dan 30 menit. Untuk menentukan model dengan performa terbaik, model yang telah dibangun divalidasi dengan tiga kondisi tutupan awan yaitu mendung, seimbang, dan cerah, serta diuji dengan beberapa parameter uji seperti akurasi, bias, probability of detection (POD), false alarm ratio (FAR), dan threat score (TS). Hasil penelitian menunjukkan bahwa model dengan lag waktu 0 menit, dengan nilai akurasi sebesar 86%, memiliki performa yang paling baik dalam menentukan hujan atau tidak di wilayah Hulu DAS Citarum, dibandingkan dengan model pada lag waktu yang lain. Model ini juga memiliki nilai akurasi yang lebih baik dibandingkan dengan nilai akurasi hasil validasi dari deteksi yang dilakukan oleh tiga observer yang biasa melakukan pengamatan pola awan di wilayah Majalaya. Hal ini menunjukkan bahwa model yang dibangun cukup menjanjikan apabila diimplementasikan untuk membantu masyarakat dalam kegiatan mitigasi bencana banjir di wilayah Majalaya.