digilib@itb.ac.id +62 812 2508 8800

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.