Perpustakaan Digital ITB

Banjir merupakan salah satu bencana yang masih sering terjadi di Indonesia. Kebutuhan prediksi banjir yang akurat sangat dibutuhkan dalam sistem peringatan dini pada kejadian banjir. Di sisi lain, penggunaan machine learning dalam prediksi banjir sudah menunjukkan perkembangan yang signifikan dalam beberapa waktu terakhir. Salah satu metode yang sudah terbukti andal dalam memprediksi banjir secara akurat adalah penggunaan Long Short-Term Memory (LSTM) berbasis data hujan satelit yang dilatih dengan debit bangkitan HEC-HMS pada Bendung Katulampa. Namun, generalisasi model pada berbagai karakteristik DAS masih perlu evaluasi lanjut. Dengan demikian, pada penelitian ini dilakukan evaluasi terhadap pemodelan LSTM berbasis hujan satelit GSMaP dan debit HEC-HMS di DAS Ciliwung Katulampa, DAS Tallo Makassar, dan DAS Tondano Manado. Hasil penelitian menunjukkan bahwa model LSTM mampu memprediksi debit dengan performa yang baik sejauh 2 jam ke depan pada DAS Ciliwung dan DAS Tallo, serta mampu memprediksi debit sejauh 8 jam ke depan pada DAS Tondano. Batas prediksi model LSTM pada masing-masing DAS dibatasi oleh parameter fisik berupa time to peak masing-masing DAS. Selain itu, arsitektur LSTM terbaik terjadi pada model dengan satu layer LSTM dengan input berupa hujan dan debit historis. Temuan ini menjadi kunci dalam pengembangan model LSTM ke depan dan penerapannya dalam sistem peringatan dini.