Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"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."

"Rice fields located in Citarum Hilir watershed of Karawang district are more and more affected by growth of residential and industrial areas. This resulted in the need to have supporting rice fields elsewhere including in the upstream region. ln Citarum Hulu watershed, 19,5% fiom the existing rice fields is non-irrigated with 32,l9% of population work in the agriculture sector. But productivity of' non-irrigated rice fields of Citanim Hulu watershed is still low, which is below 25 kwintal/ha. One of the efforts to increase its productivity is to look at the local climate model. The low productivity may also be caused by factors such as slope and altitude, which are used as variables in Wilayah Tanah Usaha (WTU). Sandy (1985) wrote that growth and death of any plant in Indonesia depend on water. Awarding to Chang (1968) every process in a plant is affected by water. Furthermore, FAO believed that the growth requirement of a rice plant is also depended on water availability. Mohr, Schimdt-Ferguson, and Oldeman made climate classifications based on rainfall in relation with plant needs of irrigation. Spatial climate model and planting time/season are important factors in management of non-irrigated rice fields in Citarum Hulu watershed. These rice fields are nou-unifonnly found in the center down to the south. Rice production varies from 22 to 4l kw/ha where the majority produces 30-40 kw/ha. Productivity model for the northem part is varied, and to the south is more stable with productivity of 30-40 kw/ha. The annual average rainfall in Citarum Hulu watershed is 1770-3458 mm/yr where the majority of the region has in the range of 2000-3000 mm/yr. Maximum monthly rainfall is 558 mm and a minimum of 6 mm on average. Rainfall is high in the months of November to April and dry period is fiom June to August. Mol-rr?s climate classification is around class III - Vb where the majority is in class III-IV. Schmidt-Ferguson?s climate classification for this area is type C to type A, where the majority is in the wet type (A). 0Ideman?s climate classification varies from D3 to Bl where the majority ofthe region is in climate group C-B (humid-wet). ln general, climate model for Citarum Hulu watershed is as follows: in the center (around the city of Bandung) is almost always drier than its surrounding areas, specifically in the northem and southem parts that are mountainous. The distribution of non-irrigated rice fields has a strong correlation with the annual rainfall model of Schimdt-Ferguson and Oldeman, because as an area has more precipitation there tend to be non-irrigated rice fields. But it is not true with Mohr climate. A strong correlation in productivity of non-irrigated rice fields with rainfall model, Mohr, Schmidt-Ferguson, and Oldeman climate models mean that as a region receives more precipitation then 'there is a tendency of higher rice productivity. But there is also a tendency that if an area is extremely wet, the productivity will decrease. Planting season in the Citarum Hulu watershed is from October and May with 4 planting time models: October/February, October/March, November/March, and December/April. In the November/March, planting time is dominant in almost all of the watershed area. Part of the non-irrigated rice fields in Citarum Hulu watershed are still according to the WTU conception, that is 65,87%, which the majority is in the center. As for the rest of this region, they should be converted into protected forest areas (especially in the south) and hard plant agriculture (in the cast). Keywords: DAS Citarum Hulu, non-irrigated rice fields, rainfall, climate model, Mohr, Schmidt-Ferguson, Oldeman, WTU conception, planting time."

"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."

"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."

"Hujan ekstrem adalah hujan dengan intensitas yang sangat tinggi yang terjadi dalam periode waktu yang singkat, dan dapat menyebabkan dampak yang signifikan pada bentuk fisik bahkan kehidupan masyarakat (Cox dan Sweeney, 2013). Pulau Jawa merupakan pulau dengan curah hujan yang tinggi, pada klasifikasi curah hujan global Pulau Jawa masuk dalam kategori terakhir dalam enam kategori tingkat kebasahan global (Amruta, 2014). yang mengindikasikan bahwa Pulau Jawa memiliki potensi hujan ekstrem. Pulau Jawa merupakan pulau penting di Indonesia bahkan regional, Pulau Jawa merupakan rumah dari 56% Penduduk Indonesia (BPS 2020). Oleh karena itu diperlukan mitigasi berupa pendeteksian pola hujan ekstrem, pendeteksian dilakukan dengan analisis spasial dan temporal dari data CHIRPS selama 30 tahun. CHIRPS adalah database curah hujan yang dikembangkan oleh Climate Hazard Group. Sebagai batasan penelitian hujan ekstrem memiliki ambang batas 50 mm/hari menurut KEP. 009 tahun 2010.

---

Extreme rainfall is precipitation with very high intensity that occurs in a short period of time and can have significant impacts on both the physical environment and human life (Cox and Sweeney, 2013). Java Island is an island with high rainfall, based on global rainfall classification, Java Island falls into the last category among the six categories of global wetness levels (Amruta, 2014). This indicates that Java Island has the potential for extreme rainfall. Java Island is a crucial island in Indonesia and the region, being home to 56% of Indonesia's population (BPS 2020). Therefore, mitigation is needed in the form of detecting patterns of extreme rainfall, and the detection is carried out through spatial and temporal analysis of CHIRPS data over 30 years. CHIRPS is a land-based precipitation database which developed by Climate Hazard Group. As a research limitation, extreme rainfall is defined with a threshold of 50 mm/day according to KEP. 009 in 2010. From this threshold, temporal analysis is then conducted annually, monthly, and tri-monthly. Subsequently, spatial data processing is performed based on temporal data to analyse the locations of high-frequency extreme rainfall."

"Penelitian ini memafaatkan kamera pengawas dengan pemodelan Deep Learning untuk memprediksi curah hujan. Model dibangun dengan input video serta data referensi curah hujan dari Tipping Bucket yang dipasang berdekatan dengan lokasi kamera pengawas. Penelitian ini memfokuskan prediksi curah hujan dengan input video sebagai representasi curah hujan dalam satuan waktu, serta metode Rain Streak yang muncul sebagai Rain Streak. Informasi spasial yang dimiliki setiap gambar yang ditangkap kamera pengawas ditangkap oleh arstitektur model vR-TCN dan digunakan fungsi Time Distributed agar informasi spasial yang ditangkap diterapkan terhadap deretan gambar.  Penelitian ini membuktikan input Rain Streak dengan metode grayscale memiliki hasil yang lebih baik, disertai dengan pemilihin Region of Interest yang didasari dengan latar paling hitam. Hasil prediksi model dengan konfigurasi besar Region of Interest 120x180 pada latar paling hitam, menggunakan metode Grayscale serta menggunakan jumlah 5 deretan gambar memiliki hasil terbaik dengan nilai RMSE sebesar 0,1391 dan R2 sebesar 0,8800.

---

This research utilizes surveillance cameras and Deep Learning modeling to predict rainfall. The model is built using video input and reference data from nearby Tipping Bucket rain gauges. This research focuses on predicting rainfall using video inputs as a representation of rainfall over a period of time, as well as the Rain Streak method that appears as Rain Streak. The spatial information captured by the surveillance camera in each image is captured by the vR-TCN model architecture, and the Time Distributed function is used to apply the captured spatial information to a sequence of images. This research proves that the Rain Streak method with grayscale produces better results, accompanied by the selection of a Region of Interest based on the darkest background. The predictive model yields the best results with a configuration of a large Region of Interest of 120x180 on the darkest background, using the Grayscale method and a sequence of 5 images, with an RMSE value of 0,1391 and an R2 value of 0,8800."