Perpustakaan Digital ITB

El Nino Southern Oscillation (ENSO) merupakan fenomena atmosfer dipermukaan laut terhadap perubahan iklim yang paling berpengaruh di indonesia. Sea Surface Temperature (SST) NINO adalah data ENSO yang merupakan salah satu indikator dari faktor eksternal yang mengartikan adanya perubahan suhu permukaan laut dan berfungsi untuk mengindikasikan terjadinya La Nina atau El Nino. Fluktuasi ini sangat mempengaruhi debit air yang merupakan variabel untuk memproduksi listrik oleh Pembangkit Listrik Tenaga Air (PLTA) yang dimana daya listrik dihasilkan melalui energi potensi dan kinetik air yang mengalir. Air menggerakan turbin, yang kemudian memutar generator didalam power house. Sehingga efisiensi dari produksi daya listrik ini sangat bergantung pada ketersediaan dan optimalisasi debit air dan seluruh potensi risiko atas perubahan debit air yang dapat mempengaruhi efisiensi produksi listrik harus diperhatikan. Wilayah Sulawesi, 40% daya listrik dipasok oleh PLTA dan pada RUPTL 2021-2030 direncanakan diseluruh wilayah Indonesia 68%, pengembangan pembangkit adalah PLTA. Pada tahun 2023, terjadi kondisi kekurangan pasokan daya listrik akibat hilangnya debit air akibat terjadi El Nino di wilayah Kepulauan Sulawesi. Terhadap risiko tersebut telah dipetakan dalam risiko perubahan iklim oleh PLN, namun belum pernah ada yang melakukan perhitungan yang menggunakan konsep tingkat ketidakpastian yang melibatkan faktor eksternal seperti SST NINO. Beberapa penelitian sebelum telah menggunakan parameter eksternal ENSO, namun belum menjadikan faktor ini sebagai indikator dinamis yang dapat merubah atau mempengaruhi faktor lokal ataupun iklim lainnya. Untuk itu, penelitian ini mengusulkan model berbasis machine learning yang mengintegrasikan SST NINO 3.4 indeks sebagai indikator dinamis bersama data iklim dan hidrologi lokal untuk meningkatkan estimasi debit andalan. Kerangka kerja SEMMA digunakan sebagai pendekatan terstruktur dari eksplorasi data hingga evaluasi model, dengan menerapkan metode simulasi Monte Carlo dan Latin Hypercube. Hasil menunjukkan bahwa penggunaan indeks SST NINO 3.4 membantu meningkatkan kinerja model pada seluruh metrik evaluasi serta mempengaruhi tingkat ketidakpastian. Hasil dari model ini diharapkan dapat menjadi landasan dalam pengambilan keputusan strategis dalam pembangunan PLTA serta peningkatan manajemen operasional PLTA di wilayah terdampak ENSO.