Perpustakaan Digital ITB

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.