Perpustakaan Digital ITB

Pencegahan banjir dan penyediaan kebutuhan air membutuhkan jumlah informasi data debit yang berdurasi panjang dan kontinyu. Sayangnya, ketersediaan debit di Indonesia sering dijumpai tidak lengkap atau tidak ada. Data debit dapat diperoleh dengan memodelkan hubungan antara curah hujan-limpasan. Deep learning merupakan salah satu model yang dapat digunakan untuk memodelkan curah hujanlimpasan. Penelitian ini bertujuan melakukan pemodelan deep learning pada kasus curah hujan-limpasan dengan studi kasus di DAS Citarum Hulu yang terletak di sungai Citarum, Provinsi Jawa Barat. Penelitian ini memodelkan empat skenario pemodelan yang mengkombinasikan jenis input pemodelan berupa curah hujan wilayah, curah hujan setiap stasiun, evapotranspirasi, dan debit. Setiap skenario memodelkan empat variasi time step yaitu 1 hari, 2 hari, 3 hari, dan 4 hari sebelumnya. Masing-masing skenario memodelkan dua model deep learning yang berbeda yaitu Artificial Neural Network (ANN) dan Long Short-Term Memory (LSTM). Model diverifikasi hasilnya menggunakan nilai koefisien determinasi (R2), Nash-Sutcliffe Efficiency (NSE), Root Mean Square Error (RMSE), dan Mean Absolute Error (MAE). Hasil pemodelan dari seluruh skenario menunjukkan hasil yang memuaskan berdasarkan koefisien determinasi dan nilai NSE. Model menunjukkan koefisien determinasi 0,727 – 0,854 dan NSE 0,689 – 0,854. Model terbaik dari masing-masing skenario kemudian dianalisis terhadap pengaruh time step, input pemodelan, dan arsitektur model. Hasil analisis berdasarkan variasi time step menunjukkan bahwa nilai kejadian 1 hari sebelumnya memberikan hasil terbaik. Sedangkan berdasarkan input pemodelannya, diketahui bahwa curah hujan wilayah yang disertai evapotranspirasi memberikan performa terbaik dalam pemodelan deep learning. Model LSTM memiliki keunggulan dibandingkan model ANN dalam menghadapi jumlah input yang terbatas dan data deret waktu.