Perpustakaan Digital ITB

Data pengindraan jauh satelit masih jarang dimanfaatkan untuk prediksi tinggi muka air spasial-temporal akurasi tinggi. Tetapi studi ini membuktikan bahwa data satelit dari LAPAN Sadewa (sadewa.sains.lapan.go.id) dengan resolusi spasial 0.01*0.01 decimal degree (30.8????????2/piksel) mampu memberikan prediksi tinggi muka air jam-jaman (resolusi temporal 1 jam) di Bendung Katulampa (poskobanjirdsda.jakarta.go.id) dengan ????2?0.85 sampai 12 jam ke depan, ????2?0.8 sampai 24 jam ke depan, dan missprediction ?30%. Studi ini dilakukan dengan melakukan analisis sensitivitas terhadap 8 data LAPAN Sadewa (sst, qvapor, psf, rain, cloud, wind, winu, wn10), kemudian dilakukan optimalisasi secara spasial (ukuran input extent), temporal (jumlah recurrent data yang digunakan), dan reproduksi TMA tinggi. Pada optimasi spasial, extent yang ukurannya kecil (4px*4px) dan berfokus pada panjang/lebar DAS memberikan performa terbaik (dibandingkan dengan 8px*8px, 16px*18px, dan 28px*28px). Secara temporal jumlah recurrent data yang optimal adalah 24 (dari t-24 jam sampai t-0 jam); penggunaan kurang dari 24 recurrent data (3, 6, 9, 12, dan 18) masih belum mampu mencapai target performa (????2?0.8), dan penggunaan lebih dari 24 (36 dan 48) tidak memberikan peningkatan performa yang signifikan. Untuk mengoptimalkan reproduksi debit tinggi, algoritma flagging (hanya menyimulasikan debit yang berada di atas rata-rata) efektif menurunkan persentase missprediction dari 57.29% (unflagged) menjadi 19.23% (flagged). Analisis sensitivitas data dilakukan dengan Deep Neural Network (2 hidden layers), dan optimalisasi dilakukan dengan Long Short Term Memory Recurrent Neural Network (LSTM RNN) dengan 1 LSTM layer dan 2 dense layer. Studi ini dapat dimanfaatkan untuk meningkatkan sistem peringatan dini Jakarta yang sudah ada di Katulampa, dengan memperpanjang lead-time hingga 12-24 jam ke depan; sebagai pengisi data tinggi muka air yang hilang; ataupun berbagai prospek pengembangan lainnya yang tak terbatas.