Perpustakaan Digital ITB

Prediksi debit aliran sungai yang akurat sangat krusial bagi sistem peringatan dini banjir dan manajemen sumber daya air yang berkelanjutan. Penelitian ini menyajikan sebuah pendekatan baru dalam memprediksi debit sungai dengan mengintegrasikan faktor aktivitas manusia di samping variabel hidrometeorologi ke dalam kerangka kerja deep learning melalui arsitektur model LSTM. Variabel hidrometeorologi berupa curah hujan dan debit sungai diperoleh melalui stasiun pengamatan sedangkan variabel temperatur dan faktor aktivitas manusia diekstraksi melalui platform Google Earth Engine. Faktor aktivitas manusia tersebut direpresentasikan melalui indeks spektral satelit multi-temporal selama 11 tahun (2015–2025), yang meliputi Normalized Difference Vegetation Index (NDVI), Normalized Difference Built-up Index (NDBI), dan Nighttime Lights (NTL). Dengan menyertakan proksi aktivitas manusia ini, model yang dibangun bertujuan untuk menangkap hubungan kompleks antara transformasi tata guna lahan dan dinamika debit sungai. Model LSTM ini dipilih karena kemampuannya yang unggul dalam menangkap dependensi jangka panjang dan memproses input multivariat yang kompleks. Penelitian ini berfokus pada Daerah Aliran Sungai (DAS) Ciletuh di Kabupaten Sukabumi, Jawa Barat, sebuah wilayah yang rawan terhadap peristiwa banjir. Penelitian ini membangun 3 model yang memiliki perbedaan pada input fitur dengan arsitektur dan hyperparameter model yang sama. Evaluasi performa model dilaksanakan melalui skema 5-fold time series split dan five-time running pada fold terakhir menggunakan metrik evaluasi RMSE, MAE, dan NSE, yang sering kali digunakan dalam pemodelan hidrologi. Selain itu, penelitian ini melakukan permutation feature importance di setiap model untuk mengetahui kontribusi tiap variabel input di dalam model. Temuan utama dari penelitian ini ialah pemilihan variabel aktivitas manusia secara selektif, khususnya indeks lahan terbangun (NDBI), mampu memberikan kontribusi yang moderat bagi performa model dibandingkan model yang hanya menggunakan variabel hidrometeorologi sebagai variabel input. Hal tersebut ditunjukkan melalui peningkatan metrik evaluasi NSE sebesar 7,42% dan penurunan RMSE sebesar 1,78%.