ABSTRAK Ahmad Luthfi Hadiyanto
PUBLIC Irwan Sofiyan COVER - AHMAD.pdf
PUBLIC Irwan Sofiyan BAB I - AHMAD LUTHFI HADIYANTO.pdf
PUBLIC Irwan Sofiyan BAB II - AHMAD LUTHFI HADIYANTO.pdf
PUBLIC Irwan Sofiyan BAB III - AHMAD LUTHFI HADIYANTO.pdf
PUBLIC Irwan Sofiyan BAB IV - AHMAD LUTHFI HADIYANTO.pdf
PUBLIC Irwan Sofiyan BAB V - AHMAD LUTHFI HADIYANTO.pdf
PUBLIC Irwan Sofiyan BAB VI - AHMAD LUTHFI HADIYANTO.pdf
PUBLIC Irwan Sofiyan BAB VII - AHMAD LUTHFI HADIYANTO.pdf
PUBLIC Irwan Sofiyan BAB VIII - AHMAD LUTHFI HADIYANTO.pdf
PUBLIC Irwan Sofiyan PUSTAKA Ahmad Luthfi Hadiyanto
PUBLIC Irwan Sofiyan
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.