Perpustakaan Digital ITB

Curah hujan dengan intensitas yang tinggi dalam waktu yang singkat dapat memperbesar kemungkinan terjadinya bencana longsor maupun banjir. Dengan kejadian yang singkat, proses mitigasi bencana pun akan terlambat. Hal ini juga diperparah dengan tidak adanya peringatan dini. Oleh karena itu, diperlukan sistem prediksi yang akurat untuk melakukan prediksi curah hujan ekstrem. Dengan memanfaatkan data observasi realtime dari Himawari-8, Rapidly Developing Cumulus Area (RDCA) dapat melakukan prediksi kemungkinan terjadinya curah hujan yang tinggi. Akan tetapi, RDCA belum mampu melakukan prediksi dengan jangka waktu yang lebih panjang. Oleh karena itu, pada penelitian ini, diajukan sebuah model prediksi curah hujan ekstrem dari sudut pandang deep learning dengan memanfaatkan data observasi awan dari Himawari-8 dan data indeks RDCA. Pada penelitian ini, Model convolutional long-short term memory (ConvLSTM) dengan arsitektur encoder-forecaster dirancang untuk melakukan prediksi curah hujan ekstrem. Dalam pelatihan model, hasil penelitian menunjukkan performansi yang meningkat seiring bertambahnya iterasi pelatihan. Selain itu, pada eksperimen dengan data uji model juga menghasilkan nilai probabilitas yang mendekati sama dengan nilai indeks RDCA. Hal ini terlihat dari nilai SSIM yang mendekati 1. Meskipun seperti itu, model ini masih memiliki kekurangan yaitu, untuk nilai threshold >0.5 kinerja model masih belum baik dalam melakukan prediksi kejadian tersebut.