Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam kehidupan kita sehari-hari, air sangatlah penting bagi makhluk hidup tidak hanya bagi tumbuhan dan hewan tetapi juga yang terpenting bagi manusia. Seringkali terjadi, air yang mengalir di suatu sungai suatu ketika meluap dan menggenangi sawah-sawah, pemukiman dan merusak semua yang ada baik bangunan-bangunan struktur ataupun juga tanaman-tanaman petani atau bahkan kadangkala sampai merenggut jiwa manusia. Air yang semula menjadi sahabat manusia bisa menjadi lawan yang sulit dihadapi. Semua itu sebenamya tidak terlepas dari perubahan alam yang diakibatkan oleh segala aktifitas manusia. Air sangatlah berguna untuk berbagai kepentingan hidup manusia, bisa untuk minum, mandi, mencuci, irigasi, sumber listrik dan sebagainya tetapi tidak selamanya air yang kita gunakan sehari-hari tersebut akan memiliki kualitas dan kuantitas yang sama sepanjang waktu bila dari sumber daya manusia yang ada tidak memiliki keinginan untuk memelihara air tersebut. Berbagai aktifitas manusia senantiasa menimbulkan perubahan terhadap alam dan hal yang cukup besar pengaruhnya bagi sumber-sumber ketersediaan air adalah bila apa yang dilakukan manusia merubah dari ekosistem yang rnerupakan DAS (Daerah Aliran Sungai) bagi sungai. DAS tersebut oleh manusia dimanfaatkan untuk beragam kebutuhan antara lain sebagai lahan pemukiman, lahan persawahan dan lahan lain-lainnya. Pemanfaatan lahan di suatu DAS untuk berbagai tata guna lahan tersebut tentunya juga akan mempengaruhi besarnya aliran yang terjadi di sungai dan pengaruh tersebut jelas berbeda untuk masing-masing tata guna lahan. Untuk itu telah ada sebuah alat bantu berupa model umum dari hubungan hujan aliran yang dapat memperkirakan berapa besar aliran yang akan teljadi di suatu sungai bila di dalam DASnya terdapat beberapa pemanfaatan tata guna lahan. Namun model tersebut hanyalah dapat memperkirakan aliran yang terjadi dari suatu kesatuan unit DAS, sedangkan masalah yang nyata di lapangan Iebih kompleks dimana di dalam DAS itu sendiri terbagi menjadi sub-sub DAS dan ruas-ruas sungai. Modal tersebut tidak bisa kita pergunakan untuk memperkirakan berapa besarnya aliran yang juga akan terjadi bila aliran dari suatu bab DAS yang terdiri beberapa tata guna lahan mengalir melalui alur sungai. Oleh karena itu maka model hubungan hujan aliran tersebut haruslah dikembangkan lagi agar dapat dimanfaatkan semaksimal mungkin dalam rangka pemeliharaan maupun pengendalian aliran sungai. Model hubungan hujan aliran yang dikembangkan selanjutnya ini akan dapat memperhitungkan besarnya aliran dari setiap sub DAS yang terdiri dari berbagai pemanfaatan lahan dan juga dapat memperkirakan berapa besarnya aliran yang terjadi bila aliran yang dihasilkan tersebut mengalir melalui alur sungai sehingga kita dapat memanfaatkan model hubungan hujan aliran secara maksimal."

"Perencanaan bangunan-bangmman air yang besar dan bermanfaat bagi umum harus dilakukan dengan teliti dan hati-hati. Bangunan air yang efisien dad segi biaya tetapi berfungsi optimum dan tinggi keamanannya membutuhkan pilihan kapasitas yang tepat yang akan ditampung oleh bangunan tersebut, yang diukur dari banyaknya air yang ditampung atau dialirkan melalui bangunan tersebut dalam satuan waktu tertentu. Intensitas hujan adalah salah satu komponen pengolah data yang diperlukan untuk menentukan kapasitas suatu bangunan air. Intensitas hujan merupakan ukuran banyaknya curah hujan yang jatuh dalam satuan walclu tertenm Penelitian yang sudah umum dilakukan terhadap intensitas hujan adalah padajumlah curah hujan setiap jam dan jumlah curah hujan setiap hari, sementara hubungan antara jumlah curah hujan tahunan dengan jumlah hari hujan tahunan belum banyak diteliti. Tulisan ini meneliti ada tidaknya hubungan antara jumlah curah hujan tahunan dengan jumlah had hujan tahunan. Penelitian dilakukan dengan metode statistlka terhadap data-data jumlah curah hujan dan jumlah hari hujan dari Badan Meteorologi dan Geofisika, Jakarta. Data-data yang digunakan diambil dan stasiun-stasiun pengukur curah hujan yang ada di Pulau Jawa."

"Fenomena lumpur Sidoarjo yang dikenal sebagai LUSI muncul tahun 2006 di Porong, Sidoarjo. Fenomena LUSI merupakan salah mud volcanoes terbesar didunia yang menyemburkan material panas mengandung salah satu gas rumah kaca metana, aerosol garam dan uap air. Metana yang terlepas ke lapisan atmosfer 72 kali jauh lebih mematikan dibandingkan CO2 selama lebih dari 20 tahun dan dapat menyebabkan percepatan pemanasan global yang sangat sulit dikontrol Semakin tinggi suhu, semakin banyak air yang menguap dan semakin besar potensi turunnya hujan deras. Hujan deras dengan intensitas lebih dari atau sama dengan 50 mm merupakan salah satu indikasi hujan ekstrem. Daerah penelitian meliputi 30 km jarak dari kolam lumpur Sidoarjo, dengan menggunakan perhitungan variabilitas dan kecenderungan Mann Kendall tampak secara spasial hujan ekstrem pada periode 2007-2014 lebih berfluktuatif dibandingkan dengan periode 1980-2006, terutama pada jarak 10-20 km dari kolam lumpur Sidoarjo.

---

Sidoarjo Mud phenomenon known as LUSI appeared in 2006 in Porong, Sidoarjo. The phenomenon of LUSI mud volcanoes is one of the largest physical blow hot material contains one of the greenhouse gases methane, the salt aerosol and water vapor. The methane atmospheric layers apart 72 times far more deadly than the CO2 for over 20 years and can lead to the acceleration of global warming very difficult controlled the higher the temperature, the more water evaporates and the greater the potential decline in heavy rain. Heavy rain with intensity greater than or equal to 50 mm is one indication of extreme rainfall. The research area covers 30 km distance from mud Sidoarjo, using the calculation of variability and trends of Mann Kendall looks in extreme rainfall spatial in the period 2007-2014 more fluctuate compared to the period 1980-2006, especially at a distance of 10-20 km from mud Sidoarjo."

"Beberapa jenis instrumen curah hujan yang banyak dipakai seperti rain gauge, citra satelit, dan radar cuaca masih memiliki kekurangan terutama pada resolusi spasial. Instrumen curah hujan alternatif yang banyak dikembangkan adalah dengan menggunakan model Deep Learning dengan masukan citra tangkapan kamera pengawas. Beberapa studi telah berhasil membangun model untuk mendapatkan nilai curah hujan dengan berbagai performa. Namun salah satu kendala yang ditemui dalam pembangunan sistem estimasi curah hujan adalah latar belakang rintik hujan pada citra kamera pengawas. Objek latar belakang yang lebih mengisi citra dibandingkan rintik hujan membuat model dengan banyak bentuk latar belakang tidak dapat mencapai performa yang diinginkan. Penelitian ini menganalisa pengaruh bentuk latar belakang citra kamera pengawas terhadap performa dari sistem estimasi curah hujan. Sistem estimasi curah hujan dibuat dengan model berarsitektur RFCNN (Rainfall Convolutional Neural Network). Objek latar belakang citra yang dipilih pada penelitian ini terdiri dari gedung, jalan beraspal, atap, dan kombinasi antara keduanya. Data curah hujan referensi didapat dari perangkat tipping bucket dengan resolusi 0,2 mm/menit. Hasil eksperimen menunjukan bahwa gedung menjadi bentuk objek latar belakang yang menghasilkan performa yang terbaik dengan nilai MAE sebesar 0.0823 dan MSE sebesar 0.0164, dengan catatan citra yang digunakan adalah citra grayscale. Hasil dari pengujian model menunjukan performa dipengaruhi oleh eksistensi benda bergerak pada latar belakang rintik hujan.

---

Several types of rainfall measurement instrumens, such as Rain Gauge, satellite imagery, and weather radar, still have limitations, especially in spatial resolution. An alternative rainfall measurement instrumen that has been widely developed is using Deep Learning models with input from surveillance camera images. Some studies have successfully built models to estimate rainfall values with various performances. However, one of the challenges encountered in the development of rainfall estimation systems is the background of surveillance camera images. Objects in the background that occupy a significant portion of the image compared to raindrops make models with certain background shapes unable to achieve the desired performance.This research analyzes the influence of background image shapes from surveillance camera images on the performance of a rainfall estimation system. The estimation system is built using the RFCNN (Rainfall Convolutional Neural Network) architecture. The selected background objects in this study include buildings, paved roads, roofs, and combinations of both. The reference of rainfall data are obtained from a Tipping Bucket device with a resolution of 0.2 mm/minute. The experimental results show that buildings are the background object shape that yields the best performance, with an MAE (Mean Absolute Error) value of 0.0823 and an MSE (Mean Squared Error) value of 0.0164, given that grayscale images are used. The model testing results indicate that performance is influenced by the presence of moving objects in the raindrop background."

"Curah hujan merupakan unsur iklim yang sangat variabel, balkdalam sekala ruang dan waktu. Selain berdasarkan ruang danwaktu, curah hujan juga bervariasi dengan nilai rata-ratanya.Seiisih antara jumiah curah hujan atau frekuensi hari hujandengan niiai rata-ratanya disebut variabilita.Maksud dari penulisan mi ada].ah untuk mengungkapkan gainbaranvariabilita curah hujan dan frekuensi hari hujan dan kaitarinyadengan nilai rata-rata, serta untuk mengetahui perbandinganantara kedua variabilita mi di Daerah Aliran KaliSerayu, Jawa Tengah.Permasalahan dalani penelitian mi adalah:1. Bagaitnana distribusi juinlah curah hujan dan frekuensihari hujan berdasarkan periode bulanan dan tahunan ?2. Bagaimana kaitan antara variabilita curah hujfrekuensi hari hujan dengan nhlal rata-rata padabulanan dan tahunan ?3. Bagaimana perbandingan antara variabilita curahdengan variabiiita frekuensi hari hujan di DaerahKali Serayu ?Metode analisis yang digunakan adaiah anaiisa korelasi petadibantu dengan graf 1k, yaitu korelasi peta-peta curah hujandan frekuensi hari hujan dengan ketinggian dan variabiiitanya.Pembuatan graf 1k untuk melihat perbandingan antaravariabilita curah hujan dengan vaniabilita frekuensi hanhujan.Berdasarkan hasil analisa dapat diketahui bahwaWiiayah curah hujan tertinggi dan frekuensi hari hujan tertinggiterdapat pada ketinggian di atas 100 meter dpi.Wiiayah curah hujan terendah terdapat pada ketinggian kurangdari 1000 meter dpi dan pada ketinggian lebih dari 2000meter dpi di lereng Gunung Prahu-Gunung Sundoro. Sedangkanwilayah frekuensi hari hujan terendah terdapat pada ketinggiankurang dari 100 meter dpi. Jumiah curah hujan dan frekuensi hari hujan tertinggi umunrnya jatuh pada bulanDesember, sebagian pada bulan Januari. Sedangkan jumlahterendah uinumnya pada bulan Agustus.Kaitan variabilita curah hujan dan frekuensi hari hujandengan nilai rata-rata umumnya berbanding terbalik. Tetapiada juga yang berbandthg lurus, seperti di wilayah Titnur DASuntuk curah hujan tahunan. Dan di wilayah Barat Laut DASuntuk frekuensi hari hujan bulan Agustus, dan di wilayahtengah DAS untuk frekuerisi hari hujan tahunan.Variabilita frekuensi hari hujan umuxnnya lebih rendah dibandingkandengart variabilita curáh hujan."

"Hujan merupakan unsur iklim yang sangat penting. Menurut Sandy (1985) faktorfaktoryang mempengaruhi turunnya hujan di suatu tempat adalah- letak Daerah Konevergensi Antar Tropik (DKAT)- bentuk medan- arah hadapan lereng (eksposure)- arah angin sejajar garis pantai, dan- jarak perjalanan angin diatas medan datar if—JAdanya keragaman faktor-faktor tersebut menyebabkan besarnya curah hujan yangjatuh di muka bumi bervadasi menurut ruang dan waktu. Selain bervariasi menurutruang dan waktu,curah hujan juga bervadasi dengan nilai rata-ratanya.Perbedaanantara jumlah curah hujan dengan nilai rata-ratanya disebut VariabilitaDaerah Aliran Ci Sadane terletak di Propinsi Jawa Barat. Keadaan topografi yangbervadasi tentunya juga mempengaruhi banyak sedikitnya hujan yang jatuh diwilayah ini. Bertitik tolak dari hal tersebut, 'maka penelitian ini bertujuan untukmengetahui variabilita jumlah curah hujan bulanan di DA Ci Sadane serta kaitannyadengan ketinggian di DAS tersebut.Permasalahan yang diajukan dalam penelitian ini adalah :1. Bagaimana distribusi curah hujan berdasarkan periode bulanan di DA CiSadane ?2. Bagaimana variabilita curah hujan bulanan dan kaitannya dengan ketinggianwilayah di DA Ci Sadane ?Data yang digunakan adalah data curah hujan tahun 1917-1941 (PublikasiRegenwaamemingen 1917-1941).Metode analisis yang digunakan adalah analisa korelasi peta dibantu dengan grafik,yaitu antara peta-peta :1. Peta Ketinggian dengan Peta Curah Hujan Rata-rata Bulanan2. Peta Ketinggian dengan Peta Variabilita Curah Flujan Bulanan3. Peta Curah Hujan Rata-rata Bulanan dengan Peta Variabilita Curah HujanBulanan. Berdasarkan hasil analisis dapat diketahui bahwa :Wilayah curah hujan tinggi terdapat pada wilayah ketinggian diatas 100 meter.Wilayah curah hujan rendah terdapat wilayah ketinggian dibawah 100 meter.Jumlah curah hujan rata-rata bulanan maksimum umumnya jatuh pada bulanDesember dan Januari dan jumlah curah hujan rata-rata bulanan minimumumumnya jatuh pada bulan Juli dan Agustus.Nilai variabilita curah hujan bulanan tinggi umumnya terdapat pada ketinggian dibawah 100 meter, dan sebaliknya.Pada bulan Juli - Agustus, wilayah penelitian didominasi oleh distribusi koefisienvariasi sedang atau tinggi, dan sebaliknya pada bulan Desember - Januari, wilayahpenelitian didominasi oleh distribusi koefisien variasi rendah atau sedang.Wilayah dengan nilai variabilita curah hujan bulanan rendah umumnya memilikijumlah curah hujan rata-rata tinggi, dan sebaliknya."

"Klasifikasi curah hujan sangat membantu masyarakat dan instansi terkait dalam mengambil kebijakan seperti pengelolaan sumber daya air, transportasi, pertanian dan pencegahan bencana. Model yang sudah pernah digunakan dalam melakukan klasifikasi curah hujan yaitu XGBoost, telah terbukti mampu melakukan klasifikasi dengan efektif, namun masih memerlukan tuning pada hyperparameter-nya untuk meningkatkan performa model. Penelitian ini bertujuan untuk merancang metode klasifikasi curah hujan dengan model XGBoost dan menemukan nilai learning rate terbaik untuk klasifikasi curah hujan. Parameter max depth, dan n estimator ditetapkan berdasarkan penelitian yang sudah pernah dilakukan. Model ini dibangun berdasarkan data historis curah hujan selama 3 bulan setiap jam, yang telah dikumpulkan oleh peralatan Automated Weather Observed System (AWOS) di Stasiun Meteorologi Kota Pontianak. Pencarian hyperparameter menggunakan metode coarse to fine, yaitu pencarian kasar ke pencarian halus. Pencarian kasar menggunakan RandomizedSearchCV, sedangkan pencarian halus dengan GridSearchCV. Model dievaluasi dengan metrik Accuracy, precision, recall, dan F1-score. Evaluasi menunjukkan bahwa model memilki metrik evaluasi yang baik dengan persentase diatas 80% untuk setiap kasus pembagian data. Nilai learning rate terbaik dengan akurasi tertinggi yang didapatkan pada model dengan 2040 data set adalah pada kasus klasifikasi biner, yaitu sebesar 0.043 dengan akurasi pada data latih 90.19%.

---

The classification of rainfall is very helpful for the community and related agencies in making policies such as managing water resources, transportation, agriculture, and disaster prevention. The model that has been used to classify rainfall, namely XGBoost, has proven to be able to classify effectively but still requires tuning its hyperparameters to improve model performance. This study aims to design a rainfall classification method using the XGBoost model and find the best learning rate for rainfall classification. The max depth and n estimator parameters are determined based on research that has been done. This model was built based on historical rainfall data for 3 months every hour, which has been collected by the Automated Weather Observed System (AWOS) equipment at the Pontianak City Meteorological Station. The hyperparameter search uses the coarse-to-fine method, which is a coarse-to-fine search. The coarse search uses RandomizedSearchCV, while the fine search uses GridSearchCV. The model is evaluated with Accuracy, precision, recall, and F1-score metrics. The evaluation shows that the model has good evaluation metrics with percentages above 80% for each case of data sharing. The best learning rate value with the highest accuracy obtained in the model with the 2040 dataset is in the binary classification case, which is equal to 0.043 with an accuracy of 90.19% of the training data."

"Dalam perencanaan bangunan teknik sipil, terdapat bangunan-bangunan air, seperti bangunan pengendali banjir, bangunan sadap, bangunan terjun dan lain-lain. Pada perencanaan itu sangat diperlukan data-data hidrologis yang efisien dan ekonomis untuk menunjang terlaksananya bangunan.Jumlah curah hujan adalah merupakan data yang utama dalam menyusun data hidrologis, disamping untuk menganalisa dan menghitung atau mensimulasi aliran sungai. Pada penyusunan data curah hujan biasanya data yang dikumpulkan adalah data curah hujan harian, bulanan dan tahunan, kemudian curah hujan maksimum harian dicatat. Kalau dilihat dari segi ekonomisnya berarti kalau kita mencari curah hujan tahunan kita harus terlebih dahulu menjumlahkan seluruh curah hujan hariannya atau bulanannya.Tulisan ini adalah mencoba untuk mencari hubungan jumlah curah hujan tahunan dengan jumlah curah hujan harian maksimum dengan memakai metoda statistik, sehingga nantinya kalau kita ingin mengetahui curah hujan tahunan pada suatu daerah tertentu kita cukup hanya melihat curah hujan harian maksimumnya atau sebaliknya."