Perpustakaan Digital ITB

Peramalan intensitas curah hujan yang handal dan cepat dapat memberikan manfaat yang signifikan dalam penelitian peramalan iklim. Pada Tesis ini, akan dibangun model peramalan berdasarkan algoritma Deep Neural Network (DNN) yang membutuhkan biaya komputasi lebih sedikit dibandingkan model Numerical Weather Prediction (NWP). Model DNN yang digunakan adalah Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), Convolutional Neural Networks (CNN), dan hybrid CNN-LSTM. Model LSTM dan GRU mampu mempelajari pola informasi temporal dari data sekuensial, dan model CNN dapat mempelajari pola informasi spasial antara variabel. Sehingga, model CNN-LSTM yang mempelajari kedua pola informasi diharapkan mampu memprediksi intensitas curah hujan. Dalam Tesis ini, model LSTM, GRU, CNN dan CNN-LSTM diimplementasikan dengan menggunakan beberapa langkah waktu observasi dan pengaturan hyperparameter yang optimal. Sebagai metrik untuk mengevaluasi tingkat kesalahan prediksi digunakan Mean Squared Error (MSE) dan Mean Absolute Percentage Error (MAPE). Pada Tesis ini, digunakan metode Kernel Shapley Additive Explanations (Kernel-SHAP) untuk menganalisis pengaruh setiap variabel observasi terhadap hasil prediksi dalam model DNN. Tesis ini menggunakan dua set data yang didapat dari Badan Meteorologi, Klimatologi, dan Geofisika Indonesia (BMKG), dan Climate Hazards Group Infrared Precipitation with Stations (CHIRPS), untuk lima stasiun observasi cuaca yang berada di Jakarta dan Jawa Barat. Model CNN-LSTM memiliki skor rata-rata MAPE dan MSE terbaik sebesar 8.415% dan 0.02617 untuk prediksi intensitas curah hujan menggunakan data observasi sepanjang tahun. Sedangkan, model GRU memiliki skor rata-rata MAPE dan MSE terbaik sebesar 9.533% dan 0.03203, untuk prediksi intensitas curah hujan menggunakan data saat musim hujan. Berdasarkan analisis Kernel-SHAP untuk setiap model, variabel dengan urutan pengaruh paling tinggi terhadap hasil prediksi intensitas curah hujan adalah variabel kelembapan rata-rata, temperatur rata-rata, temperatur maksimum dan minimum.