ABSTRAK Febrylian Fahmi Chabibi
PUBLIC Irwan Sofiyan COVER Febrylian Fahmi Chabibi
PUBLIC Irwan Sofiyan BAB1 Febrylian Fahmi Chabibi
PUBLIC Irwan Sofiyan BAB2 Febrylian Fahmi Chabibi
PUBLIC Irwan Sofiyan BAB3 Febrylian Fahmi Chabibi
PUBLIC Irwan Sofiyan BAB4 Febrylian Fahmi Chabibi
PUBLIC Irwan Sofiyan BAB5 Febrylian Fahmi Chabibi
PUBLIC Irwan Sofiyan PUSTAKA Febrylian Fahmi Chabibi
PUBLIC Irwan Sofiyan
Siklon tropis merupakan salah satu bencana hidrometeorologi yang mampu
menimbulkan dampak yang masif. Meskipun pemodelan prediksi lajur siklon telah
berkembang, prediksi intensitas siklon masih menjadi objek penelitian yang
menantang khususnya pada wilayah perairan di Benua Maritim Indonesia.
Penelitian ini bertujuan untuk memprediksi intensitas siklon tropis dengan
menggunakan pengamatan Global Positioning System (GPS) dan sensor
meteorologi di permukaan. Fokus penelitian adalah peristiwa Siklon Seroja yang
terjadi di Indonesia pada April 2021. Algoritma neural network (NN) dengan
metode backpropagation digunakan dengan pendekatan regresi dan klasifikasi.
Percobaan dilakukan dengan variasi ukuran jendela waktu sebagai masukan, yaitu
0 jam, 6 jam, 9 jam, dan 12 jam. Variabel prediktor meliputi PWV, ZTD, tekanan
parsial uap air, temperatur, tekanan udara, laju PWV, dan laju temperatur. Model
dilatih menggunakan data observasi selama dua tahun dari stasiun CKUP dan
CRTE. Analisis penggunaan variasi durasi data latih juga diterapkan dengan
mengacu pada skenario optimal pada tahapan pembelajaran. Hasil dari penelitian
ini menunjukkan bahwa penggunaan GPS beserta sensor meteorologis dapat
mendukung prediksi intensitas siklon tropis. Penerapan jendela waktu berguna
untuk mengakomodir data dalam deret waktu. Pengaruh siklon terhadap
pengamatan berbanding terbalik dengan jarak antara stasiun dengan lajur siklon.
Hasil klasifikasi menunjukkan probability of detection (POD) sebesar 89% dengan
critical success index (CSI) sebesar 84% pada CKUP, dan nilai CSI tertinggi pada
CRTE adalah 55% dengan POD sebesar 73%. Evaluasi prediksi kecepatan angin
menunjukkan root mean square error (RMSE) sebesar 1,32 m/s di CKUP dan 2,08
m/s di CRTE. Eksperimen variasi durasi panjang data latih menunjukkan bahwa
durasi yang semakin panjang tidak serta merta memberikan performa model
prediksi yang semakin baik.