Perpustakaan Digital ITB

Banjir merupakan salah satu bencana alam dengan frekuensi kejadian paling tinggi di Indonesia jika dibandingkan dengan bencana lainnya. Selain frekuensi kejadiannya yang terus bertambah, banjir juga merupakan bencana yang menimbulkan dampak kerugian yang cukup besar. Dayeuhkolot merupakan salah satu kecamatan di Kabupaten Bandung yang paling sering mengalami banjir. Hampir setiap tahun pada saat musim hujan, daerah tersebut terkena banjir. Salah satu penyebab banjir di daerah tersebut adalah topografi daerah yang merupakan cekungan sehingga penanganan banjir secara struktural yang sudah dilakukan masih belum optimal. Banjir yang terjadi di lokasi tersebut merupakan banjir fluvial atau banjir yang diakibatkan luapan sungai, dalam hal ini yaitu Sungai Citarum. Salah satu faktor yang menyebabkan besarnya kerugian akibat bencana banjir adalah masyarakat yang wilayahnya terkena banjir tidak memiliki waktu yang cukup untuk menyelamatkan diri dan harta benda yang dimiliki sehingga kerugian tidak dapat dihindari. Oleh karena itu sistem peringatan dini sebagai salah satu pengendalian banjir non struktural menjadi penting, agar masyarakat dapat lebih siap jika banjir akan datang, sehingga dapat meminimalkan kerugian yang potensial akan terjadi. Salah satu komponen penting dalam sistem peringatan dini adalah peramalan banjir. Peramalan banjir yang akurat merupakan suatu keharusan dalam suatu sistem peringatan dini banjir agar dapat dijadikan acuan dalam mengambil tindakan yang diperlukan. Peramalan banjir berdasarkan waktu tunggu (lead time) nya meliputi peramalan banjir nowcasting, jangka pendek, jangka menengah, dan jangka panjang. Peramalan banjir dapat dilakukan dengan berbagai metode, salah satunya melalui pemodelan hujan limpasan dan juga dengan menggunakan pendekatan berbasis data dengan model deep learning. Dalam penelitian disertasi ini dilakukan penelitian terkait evaluasi model peramalan banjir untuk studi kasus banjir Dayeuhkolot di DAS Citarum Hulu. Adapun maksud dan tujuan dari penelitian disertasi ini yaitu untuk melakukan evaluasi model peramalan banjir jangka pendek dengan pendekatan model hujan limpasan dan model deep learning LSTM di kawasan Dayeuhkolot, DAS Citarum hulu untuk mendukung peringatan dini banjir. Metode yang digunakan dalam penelitian ini yaitu melalui pemodelan hujan limpasan dan pemodelan deep learning berbasis data. Untuk pemodelan hujan limpasan dilakukan dengan pendekatan model hujan limpasan terdistribusi penuh (fully distributed model) dengan MIKE SHE dan model semi terdistribusi dengan HEC HMS. Sedangkan model deep learning yang dipilih yaitu model Long Short Term Memory (LSTM). Hasil yang diharapkan dari penelitian ini yaitu berupa model prediksi banjir jangka pendek yang dapat digunakan untuk keperluan operasional peringatan dini banjir. Parameter yang digunakan sebagai indikator dalam evaluasi metode peramalan banjir ini yaitu penilaian kinerja hasil peramalan model dengan menggunakan penilaian “skill score” berupa nilai Probability of Detection (POD), False alarm ratio (FAR), dan Critical Success Index (CSI). Hasil yang diperoleh dari penelitian disertasi ini yaitu: kajian terhadap kondisi hidrologis lokasi studi. Secara distribusi temporal, durasi hujan dominan yang terjadi di DAS Citarum hulu yaitu selama 2-5 jam, dengan distribusi hujan yang bervariasi untuk masing-masing durasi hujan. Secara spasial, hujan yang terjadi di DAS Citarum hulu tidak merata baik secara intensitas maupun sebaran hujannya. Penilaian model hasil kalibrasi berdasarkan nilai NSE, R2, dan RMSE diperoleh hasil model peramalan banjir untuk model terdistribusi MIKE SHE dan model semi terdistribusi HEC HMS diperoleh hasil yang sangat baik. Begitu pula halnya untuk pemodelan prediksi debit berdasarkan model deep learning LSTM diperoleh nilai NSE, R2, dan RMSE yang sangat baik. Sedangkan berdasarkan verifikasi hasil peramalan sesuai dengan kinerja skill score, diperoleh hasil bahwa model deep learning LSTM memiliki kemampuan untuk mendeteksi awal terjadi banjir dan juga meramalkan debit banjir untuk waktu tunggu (lead time) yang pendek (1-4 jam) lebih baik dibandingkan model semi terdistribusi HEC HMS. Terdapat korelasi antara lead time terhadap tingkat akurasi hasil peramalan. Semakin panjang lead time, tingkat akurasi hasil peramalan semakin berkurang. Hal ini berlaku untuk semua metode peramalan banjir yang dikaji dalam penelitian ini. Temuan dari penelitian disertasi ini dapat menjadi alternatif yang dapat dipertimbangkan untuk mengembangkan sistem peringatan dini banjir di lokasi studi ataupun di lokasi lain yang memiliki keterbatasan sumber daya. Namun demikian, perlu diperhatikan juga bahwa model LSTM ini memiliki keterbatasan dalam memodelkan hujan limpasan secara fisik, karena dalam penelitian ini, model LSTM tidak memperhitungkan parameter fisik DAS. Kata kunci: Peramalan banjir, LSTM, HEC HMS, MIKE SHE, Citarum