ABSTRAK Taruma Sakti Megariansyah
PUBLIC Irwan Sofiyan COVER Taruma Sakti Megariansyah
PUBLIC Irwan Sofiyan BAB 1 Taruma Sakti Megariansyah
PUBLIC Irwan Sofiyan BAB 2 Taruma Sakti Megariansyah
PUBLIC Irwan Sofiyan BAB 3 Taruma Sakti Megariansyah
PUBLIC Irwan Sofiyan BAB 4 Taruma Sakti Megariansyah
PUBLIC Irwan Sofiyan BAB 5 Taruma Sakti Megariansyah
PUBLIC Irwan Sofiyan PUSTAKA Taruma Sakti Megariansyah
PUBLIC Irwan Sofiyan
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.