Perpustakaan Digital ITB

Majalaya merupakan salah satu kota metropolitan di Jawa Barat, yang memegang peranan penting dalam peningkatan ekonomi daerah dengan industri, pertanian, dan peternakan yang ada di daerah tersebut. Sayangnya, kota Majalaya menjadi salah satu daerah yang mengalami banjir tahunan yang tercatat kurang lebih sebanyak enam kejadian yang terjadi setiap tahunnya. Hal ini memberikan kerugian akibat bencana banjir, dan sampai saat ini Majalaya masih mencoba berbagai upaya untuk mencegah banjir di daerahnya. Dan untuk mempelajari dan menganalisis suatu kejadian banjir, salah satu aspek penting yaitu data hidrologi yang cukup. Dari pencatatan curah hujan merupakan salah satu aspek penting dalam analisis hidrologi. Beberapa masalah yang ditemui dalam data curah hujan terutama untuk DAS Majalaya adalah jumlah stasiun hujan dalam DAS ini hanya ada tiga stasiun yaitu stasiun Cisanti, Cibeureun – Kertasari, dan Paseh. Lalu, pencatatan curah hujan hanya ada dalam skala harian, di mana dibutuhkan data dalam skala sub – harian. Oleh karena itu dalam tesis ini memanfaatkan sumber data curah hujan satelit untuk memodelkan peta genangan banjir. Tujuan dari tesis ini yaitu pertama untuk mengetahui apakah curah hujan satelit GSMaP dapat digunakan sebagai pengganti curah hujan dari pengukuran langsung dan memodelkan Machine Learning untuk memprediksi tinggi genangan dengan cepat. Beberapa variabel yang digunakan untuk memprediksi tinggi genangan adalah curah hujan, jarak titik ke sungai terdekat, jarak titik ke inflow sungai dan elevasi. Dalam tesis ini dibagi menjadi dua tahap, yang pertama pemodelan peta genangan banjir secara manual menggunakan aplikasi HEC – RAS dan yang kedua memodelkan peta genangan menggunakan Machine Learning. Dalam kedua pemodelan ini, menggunakan data curah hujan satelit yang telah di kalibrasi menggunakan metode Quantile Mapping. Selanjutnya pemilihan kejadian banjir berdasarkan debit sungai Citarum yaitu di atas 100 m3/detik, karena kapasitas sungai Citarum di DAS Majalaya yaitu sebesar 100 m3/detik. Didapatkan enam belas kejadian yang diduga akan terjadi genangan banjir. Dan enam belas kejadian ini di simulasikan menggunakan HEC – RAS untuk menghasilkan peta genangan. Peta genangan hasil simulasi HEC – RAS akan di ekstrak untuk di gunakan dalam pemodelan Machine Learning. Di mana hasil simulasi HEC – RAS ini di akan di gunakan sebagai output yang di inginkan. Jadi, model Machine Learning ini, memiliki variabel – variabel input untuk memprediksi tinggi genangan ini yaitu curah hujan, jarak titik ke sungai terdekat, jarak titik ke inflow, dan elevasi dengan output tinggi genangan. Dalam pemodelan ini, telah dilakukan beberapa metode yaitu Regresi dan Neural Network. Dalam prediksi tinggi genangan metode evaluasi yang di gunakan yaitu Multiple R – Square (R2), di mana hasil prediksi dianggap benar apabila nilai R2 mendekati satu. Prediksi tinggi genangan menggunakan metode Regresi belum memberikan hasil yang baik, dengan nilai R2 0,0520 yang masih sangat jauh dari satu. Selanjutnya metode Regresi Logistik, dan metode ini juga belum memberikan hasil yang baik dengan nilai R2 sebesar 0,0381. Dan yang terakhir yaitu metode Neural Network dengan hasil R2 untuk training data sebesar 0,43 dan testing data sebesar 0,49. Karena model Neural Network belum mendekati atau, maka ditambahkan Normalization dalam model. Normalization berfungsi untuk meningkatkan model Nerural Network sehingga hasil yang didapatkan untuk R2 training data sebesar 0,9212, dan untuk testing data sebesar 0,977. Dan didapatkan pemodelan tinggi genangan dengan data satelit GSMaP berhasil. Pada tesis berfokus untuk membuat sebuah model prediksi, dengan memanfaatkan data satelit. Dari penelitian banyak hal yang dapat di kembangkan dan di manfaatkan berbagai aspek pengelolaan dan pengembangan sumber daya air. Seperti pengembangan FEWS (Flood Early Warning System) dan memprediksi dan menghitung suatu analisis hidrologi atau hidrolika dengan cepat.