![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
2024 TS TF BAYU SANTOSO 23821306 _abstrak.pdf
PUBLIC Rina Kania ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
COVER Bayu Santoso
PUBLIC Rina Kania ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
BAB 1 Bayu Santoso
PUBLIC Rina Kania ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
BAB 2 Bayu Santoso
PUBLIC Rina Kania ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
BAB 3 Bayu Santoso
PUBLIC Rina Kania ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
BAB 4 Bayu Santoso
PUBLIC Rina Kania ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
BAB 5 Bayu Santoso
PUBLIC Rina Kania ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
DAFTAR Bayu Santoso
PUBLIC Rina Kania ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
2024 TS TF BAYU SANTOSO 23821306 LAMPIRAN.pdf
PUBLIC Rina Kania
Informasi cuaca di Indonesia berperan penting dalam berbagai sektor karena Indonesia memiliki variasi fenomena cuaca dan iklim ekstrem. Pada transportasi penerbangan, informasi cuaca membantu menentukan rute baru atau menghindari rute dengan kondisi cuaca yang buruk sehingga jalur penerbangan dapat dirancang dengan tepat. Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) memiliki tugas dan fungsi untuk melaksanakan diseminasi informasi cuaca kepada masyarakat. BMKG saat ini memiliki 124 Unit Pelaksana Teknis (UPT) stasiun meteorologi yang mengamati dan melayani informasi cuaca yang tersebar di seluruh provinsi di Indonesia. Sebanyak 62 UPT stasiun meteorologi sudah melakukan pengamatan cuaca otomatis dan sisanya masih melakukan pengamatan cuaca manual.
Stasiun cuaca otomatis (AWS) merupakan peralatan otomatis yang mengukur dan mengumpulkan parameter-parameter meteorologi seperti temperatur udara, kelembapan relatif, tekanan udara, curah hujan, kecepatan angin, arah angin, dan penyinaran matahari. BMKG saat ini telah mengoperasionalkan 368 AWS yang tersebar di seluruh Indonesia. Selain kalibrasi yang dilakukan secara rutin sesuai dengan amanat Undang-Undang, pemeliharaan AWS secara berkala juga perlu dilakukan untuk menjaga kelaikan operasional peralatan tersebut. Hal ini dikarenakan data AWS menjadi kunci dalam menghasilkan informasi cuaca yang akurat.
Pelaksanaan kegiatan pemeliharaan AWS yang dilakukan oleh BMKG saat ini adalah pemeliharaan korektif dan pemeliharaan preventif. Pemeliharaan prediktif di BMKG telah dicantumkan pada Rencana Strategis BMKG Tahun 2020-2024 tetapi belum dilakukan secara komprehensif. Penelitian ini mengembangkan pemeliharaan prediktif dengan memantau nilai keluaran dan mendeteksi kesalahan sensor AWS berdasarkan data historis sensor tersebut. Algoritma Long Short-Term Memory (LSTM) digunakan untuk memodelkan deteksi kesalahan sensor. Penelitian ini menggunakan dataset sensor curah hujan, temperatur udara, kelembapan relatif, dan tekanan udara pada AWS Jatiwangi, Jawa Barat selama 2017 – 2021 dengan interval observasi setiap 10 menit. Penentuan kondisi sensor menggunakan kriteria persyaratan World Meteorological Organization (WMO) terkait toleransi pengukuran parameter meteorologi dimana curah hujan maksimal 5%, temperatur udara maksimal 0,2 oC, kelembapan relatif maksimal 3%, dan tekanan udara maksimal 0,15 hPa.
Penelitian dilakukan dengan menangani nilai pencilan pada dataset sesuai dengan ketentuan kontrol kualitas data AWS oleh Pusat Database BMKG. Dataset AWS Jatiwangi dibagi menjadi 70% : 25% : 5% untuk pelatihan, validasi, dan pengujian. Penelitian ini mendapatkan 4 model yaitu model RR, model TT, model RH, dan model PP. Masing-masing model memiliki 3 input dengan 2 lapisan tersembunyi dan 32 neuron. Fase validasi dilakukan untuk mengevaluasi performa model LSTM terhadap dataset yang tidak dikenali sebelumnya. Pengujian dataset dilakukan pada 3 dataset yaitu, dataset pengujian dengan 2 skema data, dataset kalibrasi AWS, dan dataset kerusakan sensor tekanan udara. Model dievalusi dengan menggunakan matriks kebingungan untuk mendapatkan performa akurasi, probability of detection (POD), dan false alarm rate (FAR).
Hasil validasi model menunjukkan akurasi yang sangat tinggi, diatas 90% untuk model RR, TT, dan PP, sementara model RH mencapai di atas 89%. Selain itu, nilai POD secara umum cenderung tinggi, melebihi 0,9, dengan FAR rendah, di bawah 0,1, kecuali untuk model RH. Hasil pengujian pertama pada dataset pengujian skema pertama menunjukan bahwa model akurasi rata-rata lebih dari 95%. POD dan FAR bernilai 0 karena model mendeteksi bahwa tidak ada nilai salah pada keseluruhan parameter sensor. Skema kedua menunjukan bahwa model RR dan PP mampu mendeteksi nilai salah diatas 90 data dan model TT dan RH mendeteksi nilai salah masing-masing 76 dan 78 data. Model mampu mendeteksi sensor terindikasi rusak ketika terjadi nilai salah selama 4 jam berturut-turut sesuai dengan syarat kondisi sensor WMO.
Pengujian kedua mendapatkan hasil bahwa model TT dan PP mampu mendeteksi nilai normal pada sensor kalibrator AWS Jatiwangi seluruhnya. Pengujian ketiga pada dataset kerusakan tekanan udara mendapatkan hasil bahwa model mampu mendeteksi kerusakan sensor tekanan udara pada tanggal dan jam yang tepat. Pengujian ini juga mendapatkan hasil bahwa model mendeteksi beberapa nilai salah pada sensor tekanan udara yang dapat diartikan sebagai deteksi prakerusakan sensor tekanan sebanyak 3 salah pada tanggal 3 April dan 8 April 2021. Implementasi model LSTM pada antarmuka berbasis web berhasil dilakukan. Model dapat bekerja dalam mendeteksi kesalahan pembacaan sensor AWS Jatiwangi yang sedang operasional. Sampel tanggal 15 – 16 Desember 2023 menunjukan bahwa dominasi pola nilai yang berada diluar batas toleransi WMO adalah sensor TT dan RH sesuai dengan pengujian pertama.