Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Kabut merupakan salah satu fenomena cuaca yang dapat mengurangi jarak pandang. Hal ini akan berdampak pada operasional penerbangan (taxiing, take-off, landing). Oleh karena itu, prakiraan kabut diperlukan untuk mendukung keselamatan penerbangan. Tantangan terbesar dalam membuat prakiraan kabut adalah proses atmosfer yang chaos dan tidak pernah sama dari waktu ke waktu. Oleh karena itu penelitian ini mencoba menggunakan metode Deep Learning untuk memprakirakan kejadian kabut di Bandara Wamena. Desain model prakiraan menggunakan data cuaca pengamatan sinoptik per-jam dari Januari 2015 hingga Mei 2018. Variabel cuaca seperti suhu bola kering, suhu bola basah, titik embun, kelembaban relatif, tutupan awan, arah angin, kecepatan angin, jarak pandang, cuaca saat ini, dan jam pengamatan digunakan untuk memprakirakan kejadian kabut atau tidak kabut untuk 3 jam ke depan. Hyperparameter tuning pada optimizer (SGD, Adam), learning rate (1, 0.1, 0.01, 0.001), dan epoch (25, 50, 100) dilakukan untuk proses trial and error mencari model terbaik. Hyperparameter tuning menunjukkan parameter terbaik adalah optimizer Adam, learning rate 0.001, dan epoch 100. Hasil menunjukkan Deep Learning menunjukkan performa yang baik dengan hasil testing mencapai akurasi 92.56% untuk prakiraan kejadian kabut 1 jam kedepan, 88.45% untuk prakiraan kejadian kabut 2 jam kedepan, dan 85.68% untuk prakiraan kejadian kabut 3 jam kedepan. Hasil prakiraan kejadian kabut dengan Deep Learning juga memberikan akurasi yang lebih baik dibandingkan prakiraan TAF yang dibuat oleh forecaster setempat.

---

ABSTRACT
Fog is one of the weather phenomena that can reduce visibility. This will have an impact on flight operations (taxiing, take-off, and landing). Therefore, fog forecasts are needed to support flight safety. The biggest challenge in making fog forecast is chaotic atmospheric processes that have never been the same over time. This study tries to use the Deep Learning method to predict the occurrence of fog at Wamena Airport. Design forecast models use hourly synoptic observational weather data from January 2015 to May 2018. Weather variables such as dry bulb temperature, wet bulb temperature, dew point, relative humidity, cloud cover, wind direction, wind speed, visibility, present weather, and the observation hours are used to forecast the occurrence of fog or no fog. Hyperparameter tuning of optimizer (SGD, Adam), learning rate (1, 0.1, 0.01, 0.001), and epoch (25, 50, 100) are used for the trial and error to find the best model. Hyperparameter tuning shows the best parameters are Adam optimizer, learning rate 0.001, and epoch 100. The results show Deep Learning has good performance with the results of testing 92.56% accuracy for forecasting the occurrence of fog for next 1 hour, 88.45% for next 2 hour, and 85.68% for next 3 hour. The results of the forecast fog event with Deep Learning also provide better accuracy than the TAF forecasts made by the local forecaster.

Abstrak :
Badan Meteorologi Klimatologi dan Geofisika (BMKG) memiliki tugas untuk memberikan informasi cuaca termasuk curah hujan. Cuaca merupakan seluruh fenomena yang terjadi di atmosfer bumi. Kondisi cuaca baik hujan atau cerah sangat mempengaruhi aktivitas masyarakat dalam kehidupan sehari-hari, terutama untuk aktivitas di luar ruangan. Kondisi hujan yang terjadi dapat ditentukan dengan adanya curah hujan. BMKG memiliki beberapa jenis alat pengukur curah hujan, dengan jumlah yang belum merata di seluruh wilayah. Harga peralatan itu relative mahal. Solusi yang bisa dilakukan untuk menambah kerapatan pengamatan curah hujan yaitu dengan memanfaatkan sumber yang sudah ada untuk mendapatkan informasi cuaca. Penelitian ini akan memanfaatkan CCTV yang tersebar di wilayah Jakarta untuk diolah sehingga menghasilkan informasi kondisi hujan. Metode yang digunakan yaitu melakukan image processing menggunakan metode Convolutional Neural Network (CNN). Gambar CCTV akan diambil dari internet secara otomatis dengan metode crawling untuk mendapatkan data citra digital. Gambar yang telah tersedia selanjutnya akan dilakukan proses pelatihan dan pengujian model untuk mendapatkan model dengan akurasi terbaik. Hasil dari model ini akan digunakan untuk deteksi hujan pada citra digital CCTV. Proses deteksi hujan akan dilakukan secara otomatis dan real time. Hasil proses deteksi hujan akan ditampilkan ke dalam peta sesuai dengan lokasi terpasangnya CCTV. Penelitian ini telah membuat model CNN untuk deteksi hujan secara otomatis dengan akurasi training 98,8% dan akurasi testing sebesar 96,4% serta telah dilakukan evaluasi dengan data pengamatan BMKG sehingga memiliki akurasi evaluasi sebesar 96,7%.

---

Meteorology Climatology and Geophysics Agency (BMKG) has the duty to provide weather information including rainfall. Weather is a whole phenomenon that occurs in the Earth's atmosphere. Rainy or sunny weather conditions greatly affect community activities in daily life, especially for outdoor activities. Rainfall conditions that occur can be determined by the presence of rainfall. BMKG has several types of rainfall gauges, with a number that has not been evenly distributed throughout the region. The price of the equipment is relatively expensive. The solution that can be done to increase the density of rainfall observations is to utilize existing sources to obtain weather information. This research will utilize CCTV that is spread in the Jakarta area to be processed so as to produce information on rain conditions. The method used is to do image processing using the Convolutional Neural Network (CNN) method. CCTV images will be taken from the internet automatically by the crawling method to get digital image data. The available images will then be carried out a training process and model testing to get the model with the best accuracy. The results of this model will be used for rain detection on digital CCTV images. The rain detection process will be done automatically and in real time. The results of the rain detection process will be displayed on the map according to the location of the installed CCTV. This research has made a CNN model for automatic rain detection with 98.8% training accuracy and 96.4% testing accuracy and has been evaluated with BMKG observation data so that it has an evaluation accuracy of 96.7%.

Abstrak :
Kota Tasikmalaya, Jawa Barat, memiliki potensi pertumbuhan pembangunan tinggi sebagai Pusat Kegiatan Wilayah Priangan Timur dan Pangandaran. Diperlukan upaya strategis untuk mengurangi dampak kerugian dan korban jiwa jika terjadi gempabumi karena kota ini masuk dalam kategori indeks risiko tinggi bencana gempabumi. Penelitian bertujuan mengkaji pola spasial bahaya dan risiko gempabumi untuk menghasilkan peta yang menjadi dasar dalam mengevaluasi kesesuaian kawasan permukiman. Kajian dilakukan dengan metode analisis kuantitatif dan analisis spasial berdasarkan indikator fisik, sosial, dan ekonomi. Pola spasial bahaya tinggi gempabumi dibentuk lapisan batuan dengan indeks kerentanan seismik dan PGA permukaan tinggi serta kestabilan struktur tanah rendah yang membujur di bagian timur Kecamatan Purbaratu menerus ke bagian timur Kecamatan Cibereum hingga bagian utara Kecamatan Tamansari dan sebagian kecil Kecamatan Kawalu. Wilayah tersebut berpotensi mengalami guncangan lebih kuat dibanding daerah sekitarnya yang divalidasi dengan data kerusakan gempabumi 2 September 2009. Pola spasial risiko bencana gempabumi tinggi terjadi akibat tingkat bahaya dan kerentanan tinggi serta rendahnya kapasitas wilayah yang membentuk pola spasial mengelompok di wilayah timur, tepatnya di Kecamatan Cibeureum, Kecamatan Tamansari, dan sebagian kecil Kecamatan Purbaratu. Sementara risiko kerugian tinggi membentuk pola spasial mengelompok di pusat perkotaan yang memiliki sarana prasarana lebih lengkap. Evaluasi kesesuaian kawasan permukiman berbasis bencana gempabumi menunjukkan kawasan permukiman di Kota Tasikmalaya sebagian besar berada pada daerah risiko rendah. Hal ini menunjukkan pemerintah Kota Tasikmalaya sudah cukup baik dalam perencanaan dan implementasi perijinan pembangunan kawasan permukiman. ......Tasikmalaya Municipality, West Java, has high development growth potential. Strategic efforts are needed to reduce the impact of losses and casualties from an earthquake because it has a high-risk earthquake index. This study aims to examine the spatial pattern of earthquake hazards and risks as the basis for evaluating settlement suitability that is safer from earthquakes. This research was conducted using quantitative and spatial analysis based on physical, social, and economic indicators. The spatial pattern of earthquake hazard is formed by the higher seismic vulnerability index and surface PGA and low soil structure stability that stretches from the eastern of Purbaratu continuously to the eastern Cibereum to the northern Tamansari and a small part of Kawalu. Earthquake shocks in the area will be stronger than the surrounding area, as validated by the damage data from the 2 September 2009 earthquake. The high risk of earthquakes, due to the high level of hazard and vulnerability as well as the low regional capacity, forms a clustered spatial pattern in the eastern region, precisely in Cibeureum, Tamansari, and a small part of Purbaratu. Meanwhile, the high risk of loss forms a clustered spatial pattern in the downtown, which has more complete infrastructure facilities. Evaluation of settlement suitability based on earthquake risk shows that most of the settlement areas are in low-risk areas. This evaluation shows that the government of Tasikmalaya Municipality is quite good at planning and implementing permits to develop settlement areas.

Abstrak :
Kabupaten Majalengka salah satu lumbung padi di Jawa Barat, terindikasi mengalami perubahan iklim sehingga ditetapkan sebagai lokasi super prioritas ketahanan iklim di sektor pertanian. Dalam menghadapi dampak perubahan iklim tersebut dilakukan proyeksi pengaruh perubahan iklim terhadap kebutuhan air tanaman padi menggunakan RCM CORDEX dengan skenario RCP 4.5 (perubahan menengah-ringan) dan RCP 8.5 (perubahan tinggi) pada tahun 2026-2045. Data-data proyeksi unsur iklim yang dihasilkan RCM CORDEX digunakan untuk menghitung kebutuhan air tanaman menggunakan model CROPWAT 8.0, hasil analisis memproyeksikan peningkatan suhu dan kelembapan tahun 2026-2045 dibandingkan tahun 1989-2018, sedangkan curah hujan menunjukkan peningkatan dan penurunan di skenario dan musim tanam yang berbeda, serta mengalami peningkatan kebutuhan air tanaman padi sebesar 1,16%-3,26% dan 2,14%-3,94% pada musim tanam pertama, pada musim tanam kedua meningkat sebesar 1,7%-2,94% dan 3,33%-4,28%. Proyeksi perubahan suhu, kelembapan, dan curah hujan pada musim tanam pertama berpengaruh paling kuat terhadap kebutuhan air tanaman padi, pada musim tanam kedua terjadi anomali pengaruh keterkaitan antara suhu, kelembapan, dan curah hujan dengan kebutuhan air tanaman padi. Anomali pada suhu, berupa tidak adanya pengaruh suhu terhadap kebutuhan air tanaman padi, anomali pada kelembapan dan curah hujan berupa pengaruh kuat antara curah hujan dan kelembapan terhadap kebutuhan air tanaman padi namun dengan nilai korelasi positif. ......Majalengka Regency, one of the rice barns in West Java, is indicated to be experiencing climate change so it's assigned as a super need area for climate resilience in the agricultural sector. In dealing with the impacts of climate change, projections of the effects of climate change on rice water requirements are projected using RCM CORDEX with scenarios of RCP 4.5 (medium-light change) and RCP 8.5 (high change) in 2026-2045. The resulting climate element projection data is used to calculate rice water requirements using the CROPWAT 8.0 model, the results of the analysis project an increase in temperature and humidity in 2026-2045 compared to 1989-2018 while rainfall shows an increase and a decrease in different scenarios and growing seasons, as well as an increase in rice water requirements by 1.16%-3.26% and 2.14%-3.94% in the first planting season, in the second planting season it increased by 1.7%-2.94 % and 3.33%-4.28%. The projected changes in temperature, humidity, and rainfall in the first planting season have the strongest effect on rice water requirements, in the second planting season an anomaly occurs to this relationship. Anomalies in temperature, as no impact of temperature on the rice water requirements, anomalies in humidity and rainfall in the form of a strong influence between rainfall and humidity on rice water requirements but with a positive correlation value.