ABSTRAK Ahmad Wirantoaji Nugroho
PUBLIC Alice Diniarti COVER Ahmad Wirantoaji Nugroho
PUBLIC Alice Diniarti
BAB 1 Ahmad Wirantoaji Nugroho
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
BAB 2 Ahmad Wirantoaji Nugroho
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
BAB 3 Ahmad Wirantoaji Nugroho
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
BAB 4 Ahmad Wirantoaji Nugroho
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
BAB 5 Ahmad Wirantoaji Nugroho
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
PUSTAKA Ahmad Wirantoaji Nugroho
PUBLIC Alice Diniarti
Data curah hujan near real time sangat diperlukan untuk mendukung
pengembangaan sistem peringatan dini bencana hirdometeorologis di Cekungan
Bandung. Saat ini, data curah hujan near real time yang ada diantaranya telah
disediakan oleh Global Satellite Mapping of Precipitation (GSMaP) tetapi masih
memiliki ketelitian yang kurang baik saat estimasi hanya menggunakan data
inframerah. Untuk dapat meningkatkan ketelitian hasil estimasi curah hujan
menggunakan inframerah, pada penelitian ini dilakukan uji coba dengan
menerapkan metode terbaru yaitu random forest machine learning.
Sebelum menguji coba model, dilakukan evaluasi data GSMaP NRT reliability
sebagai baseline. Kemudian, pada pembuatan model random forest digunakan data
prediktor dari 9 band inframerah dan kombinasinya yang berjumlah 36 kombinasi
band inframerah satelit Himawari-8. Kemudian data prediktan yang digunakan
yaitu estimasi curah hujan dari GPM DPR KuPR. Sampling data dilakukan dengan
meluaskan pengambilan data hingga satu Pulau Jawa dengan asumsi kondisi
atmosfer serupa untuk mengatasi keterbatasan data di Cekungan Bandung.
Algoritma yang digunakan pada tahap pembuatan model random forest yaitu
dengan melakukan klasifikasi area hujan, klasifikasi tipe hujan, dan regresi untuk
mendapatkan nilai hujan.
Dari hasil evaluasi GSMaP NRT didapatkan GSMaP NRT reliability memiliki nilai
korelasi yang cukup baik pada resolusi temporal perhari menggunakan reliability
9. Kemudian, dapat disimpulkan bahwa model random forest machine learning
dapat diimplementasikan di wilayah Cekungan Bandung dengan algoritma yang
digunakan. Pada penelitian ini, perbandingan antara hasil model random forest dan
GSMaP NRT belum bisa mendapatkan kesimpulan yang terukur. Hal ini
dikarenakan pada penelitian ini baru dilakukan evaluasi menggunakan satu studi
kasus pada 27 Maret 2020, meskipun secara kualitatif hasil model random forest
terlihat lebih baik dibandingkan dengan hasil GSMaP NRT pada studi kasus
tersebut.