Perpustakaan Digital ITB

Karakteristik awan di suatu wilayah berkaitan dengan iklim dan cuaca di wilayah tersebut. Awan berpengaruh terhadap keseimbangan energi dari radiasi sinar matahari dan emisi permukaan bumi. Disamping itu awan merupakan bagian dari siklus hidrologi, terbentuk dari uap air yang naik ke atmosfer dan turun kembali menghasilkan presipitasi. Informasi mengenai awan juga bermanfaat dalam perencanaan perekaman data satelit optis. Penghematan dalam penggunaan sumber daya satelit dapat dilakukan jika diketahui prediksi kejadian awan yang akan datang. Penelitian ini berupaya membangun model prediksi forecasting untuk mengestimasi peluang kejadian awan bulan yang akan datang menggunakan model geospasial. State of the art prediksi awan saat ini menggunakan model prediksi cuaca numerik. Model dibangun berdasarkan persamaan fluida melalui proses komputasi numerik. Dengan kompleksnya sistem atmosfer, estimasi perhitungan berbagai parameter cuaca memerlukan sumber daya yang besar terutama untuk prediksi cuaca jangka panjang. Implementasi model geospatial dengan data citra satelit dan deep learning diharapkan mengurangi waktu komputasi dan kompleksitas model. Penelitian terdahulu membangun model prediksi awan di wilayah daratan menggunakan data citra satelit menghasilkan prediksi jangka pendek. Model dibangun untuk kondisi atmosfer tertentu berdasarkan estimasi perkembangan awan. Pada penelitian ini model prediksi dibangun untuk menghasilkan jangka waktu prediksi yang lebih panjang dan dapat diterapkan pada berbagai kondisi atmosfer. Data citra satelit digunakan untuk merepresentasikan parameter fisis di permukaan bumi dan atmosfer bawah. Metode agregasi dan interpolasi diimplementasikan terhadap data spektral satelit Himawari-8 untuk menghasilkan data spasial yang lengkap dan data temporal yang kontinyu. Pengujian hipotesis dilakukan terhadap nilai spektral berbagai pita spektrum. Nilai spektral yang berkaitan dengan parameter dinamis menggunakan data agregat tiga bulanan. Parameter yang lambat perubahannya menggunakan periode agregat yang sama dengan keluaran, yaitu agregat bulanan. Keluaran model adalah prediksi persentase kejadian awan bulan yang akan datang. Variabel terikat dihitung dari data historis klasifikasi awan tiap jam. Diperoleh hasil bahwa korelasi nilai spektral terhadap persentase awan memiliki karakteristik yang berbeda-beda. Data terbagi menjadi dua kelompok menghasilkan dua model pada periode yang berbeda. Data spektral yang berkaitan dengan jenis permukaan dan kelembapan memiliki korelasi yang tinggi terhadap persentase awan bulan Februari sampai dengan April. Data spektral yang berkaitan dengan suhu permukaan memiliki korelasi yang lebih tinggi terhadap persentase awan bulan Mei sampai dengan Juli. Model dibangun khusus untuk wilayah daratan Jawa bagian timur menggunakan Convolutional Neural Network (CNN). Hasil eksperimen menunjukkan bahwa model pertama memiliki akurasi prediksi yang baik dengan Normalized RMSE (NRMSE) 2.191%. Model pertama memprediksi persentase kejadian awan di bulan Februari, Maret, dan April 2020. Model kedua memiliki akurasi prediksi lebih rendah terhadap persentase kejadian awan di bulan Mei, Juni, dan Juli 2020, yaitu NRMSE 7.309%. Model telah mensimulasikan dengan baik prediksi kejadian awan di bulan Februari sampai dengan Juli 2020. Untuk penelitian lebih lanjut diperlukan data training yang lebih panjang agar model dapat memberikan respon yang baik terhadap berbagai fenomena iklim. Keluaran dapat dipisahkan berdasarkan jenis awan dan jangka waktu prediksi dapat dibuat lebih detil dalam rentang mingguan atau harian. Dengan demikian akan diperoleh manfaat yang lebih besar dalam mempelajari iklim dan cuaca.