Perpustakaan Digital ITB

Siklon tropis aclalah fenomena alam yang signifikan dan berpotensi merusak wilayah yang dilaluinya, terutama di wilayah tropis. Karena potensi dampak buruk tersebut, akurasi prediksi siklon tropis sangat penting untuk mitigasi bencana. Prediksi siklon tropis yang dimaksud aclalah lintasan siklon tropis (trajectory) clan intensitas siklon tropis. Pendekatan awal yang digunakan untuk memprediksi siklon tropis menggunakan metode tradisional seperti model cuaca numerik, meskipun model ini memberikan pemahaman yang mudah dipahami tentang dinamika atmosfer, namun metode ini memiliki keterbatasan clalam hal kompleksitas dan ketergantungan pada kualitas data input. Selain itu, metode ini membutuhkan sumber komputasi yang sangat besar dan membutuhkan waktu yang lama saat proses inferensi. Hal ini menjadi salah satu alasan para peneliti melakukan eksplorasi menggunakan metode lain. Saat ini, para peneliti mulai menggunakan pendekatan berbasis kecerclasan buatan, terutama deep learning. Metode ini telah terbukti dapat memberikan hasil yang jauh lebih cepat dibandingkan metode numerik, sedangkan untuk akurasinya masih terns dikembangkan. Penelitian ini akan mengembangkan metode deep learning, yaitu Sim VP-gSTA, untuk memprediksi siklon tropis. SimVP-gSTA sebagai model terkini yang mengatasi permasalahan spatiotemporal akan digunakan sebagai model clasar untuk memprediksi siklon tropis. Model ini termasuk kedalam kategori sequence to sequence prediction. Penelitian ini akan menggunakan dua jenis data pada eksperimen yaitu data infrared clan heatmap. Data infrared dibangun berdasarkan histori IBTrACS dan Himawari-8. Sedangkan data heatmap dibangun berdasarkan titik pusat siklon tropis. Hasil prediksi dari model Sim VP-gSTA akan diteruskan keclalam model estimasi pusat siklon dan model estimasi intensitas siklon untuk menghasilkan estimasi trajectory dan klasifikasi siklon tropis. Modul prediksi dievaluasi menggunakan metrik yang sesuai yaitu RMSE, SSIM, dan PSNR. Sedangkan eksperimen estimasi trajectory akan dievaluasi menggunakan Euclidean distance dan klasifikasi siklon tropis dievaluasi menggunakan nilai akurasi. Hasil evaluasi menunjukkan bahwa prediksi gambar siklon tropis dengan data infrared dan data heatmap menggunakan model Sim VP-gSTA lebih baik dibandingkan penelitian serupa dalam hal metrik PSNR. Sedangkan evaluasi dengan metrik SSIM, hasil model prediksi dengan data heatmap lebih unggul dibandingkan dengan data infrared dan penelitian yang serupa. Namun, hasil evaluasi trajectory masih belum menunjukkan peningkatan signifikan, meskipun belum menunjukkan peningkatan akurasi trajectory, model prediksi SimVP-gSTA untuk trajectory masih memiliki kinerja yang kompetitif. Sedangkan hasil estimasi intensitas menunjukkan bahwa model EfficientNetBl memiliki akurasi tertinggi pada task klasifikasi biner dengan tambahan teknik SW A. Hasil penelitian menunjukkan bahwa penggunaan model SimVP-gSTA dengan data infrared menghasilkan rata-rata skor SSIM 0.632 dan PSNR 25.89 pada prediksi 3 jam dan rata-rata SSIM 0.623 dan PSNR 22.94 pada prediksi 24 jam. Sedangkan dengan data input heatmap, hasil kinerja model SimVP-gSTA menunjukkan rata-rata skor SSIM dan PSNR 0.8 dan 35.11 pada prediksi 3 jam dan 0.695 dan 20.89 pada prediksi 24 jam. Selain itu hasil prediksi trajectory dengan dua data input tersebut juga dievaluasi. Pada waktu prediksi 3 jam, model Sim VP­gSTA dengan data input infrared menghasilkan nilai error 2.39 (240 km) sedangkan dengan data input heatmap menghasilkan error 0.4 ( 40km). Pada waktu prediksi 24 jam, hasil dengan data input infrared yaitu sebesar 5.17 (500 km) sedangkan dengan data input heatmap sebesar 3.58 (360 km). Selain itu, penelitian ini juga mengeksplorasi estimasi intensitas siklon tropis, model yang digunakan menggunakan arsitektur EfficientNet. Eksperimen dilakukan pada dua task, yaitu prediksi multi kelas dan prediksi biner. Hasil kinerja model saat memprediksi multi kelas menunjukkan akurasi 0.53 dengan model versi EfficientNetB3 sedangkan pada saat memprediksi kelas biner hasil akurasi mencapai 0.767, penelitian ini juga mengeksplorasi penggunaan teknik Stochastic Weight Averaging (SW A) pada model EfficientNet untuk meningkatkan akurasi prediksi. Secara keseluruhan teknik SW A dapat meningkatkan akurasi namun tidak signifikan. Model terbaik dalam eksperimen estimasi intensitas ini mencapai akurasi 0.768 pada klasifikasi biner dengan model versi EfficientNetBl. Secara keseluruhan, penelitian ini menunjukkan bahwa pendekatan deep learning, khususnya model SimVP-gSTA, dapat digunakan untuk memprediksi siklon tropis. Untuk memprediksi trajectory, penggunaan data heatmap lebih baik dari pada infrared. Sedangkan untuk estimasi intensitas siklon tropis, prediksi kelas biner lebih baik dibandingkan prediksi multi kelas. Hal ini menunjukkan potensi besar penggunaan deep learning dalam mitigasi dampak buruk siklon tropis dalam menghasilkan prediksi yang lebih akurat dan cepat.