Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
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.

Abstrak :
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.