Perpustakaan Digital ITB

Pemodelan debit aliran sungai saat ini umumnya masih menggunakan model numerik seperti HEC-HMS, yang memerlukan sumber daya komputasi cukup besar. Selain itu, prediksi debit menggunakan model machine learning yang ada saat ini umumnya hanya dilakukan pada satu titik pengamatan. Oleh karena itu, dalam penelitian ini dikembangkan model machine learning Long Short-Term Memory (LSTM) yang mampu melakukan generalisasi dalam memprediksi debit aliran sungai pada berbagai karakteristik sub-DAS, khususnya di sub-DAS Palu. Metode yang digunakan dalam penelitian ini mencakup pre-processing berupa pembagian data menjadi data pelatihan, validasi, dan pengujian, serta penerapan sliding window pada data hujan-debit. Penelitian ini menggunakan dua skema model dengan perbedaan utama pada arsitektur yang digunakan. Arsitektur model LSTM yang diterapkan adalah many-to-one dengan panjang output tetap (skema 1) yang hanya memanfaatkan state di langkah waktu terakhir, dan encoder-decoder LSTM yang menggunakan state hasil prediksi untuk memprediksi debit di langkah waktu selanjutnya (skema 2). Berdasarkan hasil yang sudah diperoleh, model skema 1 pada data deret waktu memiliki debit yang cenderung mendekati debit referensi daripada model skema 2. Evaluasi performa menggunakan metrik RMSE, NSE, dan PBIAS menunjukkan bahwa model cenderung memberikan hasil yang lebih stabil pada sub-DAS yang lebih luas dan berbentuk memanjang. Sebaliknya, performa model menurun pada sub-DAS yang berukuran kecil dan berbentuk melingkar. Hasil model ini dapat dipengaruhi oleh berbagai faktor, salah satunya yang paling signifikan selain keterhubungan data adalah penggunaan hyperparameter yang optimal. Oleh karena itu, untuk memperoleh hasil yang lebih optimal, dapat menggunakan kombinasi hyperparameter lain yang dapat menghasilkan model dengan lebih baik.