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

ABSTRAK Muhana Salsabila
PUBLIC Open In Flip Book Rita Nurainni, S.I.Pus

Informasi curah hujan ekstrem sangat penting untuk kehidupan manusia khususnya di bidang desain rekayasa infrastruktur. Namun, data informasi curah hujan ekstrem di Indonesia terbatas akibat persebaran stasiun observasi yang hanya berada pada daerah-daerah tertentu di Indonesia, tidak di setiap titik wilayah. Disisi lain, seiring perkembangan teknologi terdapat pengembangan data satelit yang memiliki data curah hujan di setiap titik wilayah dengan perioda data yang panjang salah satu nya adalah satelit Global Precipitation Measurement (GPM). Akan tetapi, informasi curah hujan ekstrem dari satelit terbatas khususnya untuk urusan akurasi data. Padahal data curah hujan yang akurat diperlukan untuk kebutuhan rekayasa infrastruktur di Indonesia. Pada penelitian ini akan dilakukan koreksi data curah hujan ekstrem dari satelit GPM menggunakan machine learning. Penelitian ini menggunakan data curah hujan GPM dan data curah hujan stasiun observasi dari BMKG untuk mengoreksi data curah hujan ekstrem dengan menggunakan 3 model machine learning yang berbeda yaitu regresi linear, random forest, and deep learning. Perhitungan curah hujan ekstrem dilakukan menggunakan distribusi Gumbel dan periode ulang yang dipasang pada data annual maxima. Curah hujan ekstrem yang telah terkoreksi melalui proses machine learning dicari nilai Normalized Root Mean Square Eror (NRMSE) sehingga akan dihasilkan nilai curah hujan ekstrem dengan periode ulang yang telah dikoreksi. Hasil penelitian menunjukkan bahwa curah hujan ekstrem dengan periode ulang 5 tahun di Indonesia yang telah dikoreksi melalui proses machine learning dari 3 model machine learning, yaitu regresi linear, random forest, dan deep learning memiliki nilai eror yang lebih besar daripada sebelum koreksi menggunakan machine learning. Nilai eror dari curah hujan ekstrem dengan periode ulang 5 tahun yang telah dikoreksi menggunakan machine learning mengalami kenaikan di rentang nilai dari 0 hingga 0,25 daripada curah hujan ekstrem sebelum dikoreksi. Namun, diantara ketiga model tersebut yang menunjukan performa model terbaik dengan nilai Normalized Root Mean Square Eror (NRMSE) lebih kecil adalah model machine learning regresi linear.