Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Debu vulkanik merupakan partikel yang sangat berbahaya bagi aktivitas penerbangan. Objek tersebut dapat diamati secara spasial melalui pengamatan satelit. 8. Namun, satelit ini memiliki kelemahan berupa pergeseran akibat kesalahan sudut baca ketika objek yang diamati jauh dari posisi nadir satelit. Data target output debu vulkanik yang digunakan merupakan hasil interpretasi forecaster berdasarkan pengamatan satelit Terra/Aqua (MODIS) yang memiliki orbit polar sehingga pengamatan dilakukan tepat diatas objek. Algoritma sampel yang dilakukan untuk membuat model adalah dengan variasi sampel berupa data piksel tunggal dan data rata-rata piksel pada citra satelit Himawari Untuk menentukan lokasi debu vulkanik berdasarkan citra satelit, dibutuhkan interpretasi dari forecaster. Pada penelitian ini, dibuat sebuah sistem pemodelan berbasis artificial neural network untuk menghasilkan output sebaran debu vulkanik secara otomatis berdasarkan training data dari citra satelit Himawari 8. Namun, satelit ini memiliki kelemahan berupa pergeseran akibat kesalahan sudut baca ketika objek yang diamati jauh dari posisi nadir satelit. Data target output debu vulkanik yang digunakan merupakan hasil interpretasi forecaster berdasarkan pengamatan satelit Terra Aqua (MODIS) yang memiliki orbit polar sehingga pengamatan dilakukan tepat diatas objek. Algoritma sampel yang dilakukan untuk membuat model adalah dengan variasi sampel berupa data piksel tunggal dan data rata-rata piksel pada citra satelit Himawari Sedangkan variasi data input yang digunakan terdiri dari 3 input, 16 input, dan 4 input kanal satelit. Metode pengujian performa dari model dilakukan dengan melihat citra sebaran debu yang dihasilkan model yang diverifikasi di setiap titik piksel. Berdasarkan hasil penelitian, model dengan menggunakan 3 input kanal satelit dapat mendeteksi sebaran debu vulkanik dengan baik pada data training maupun testing. Untuk koreksi kesalahan paralaks satelit Himawari memiliki dampak yang cukup signifikan terhadap hasil output model. Akurasi dari output model meningkat signifikan setelah dilakukan koreksi spasial akibat kesalahan paralaks yang menghasilkan akurasi model pada saat testing mencapai 95 persen

Abstrak :
ABSTRAK
Hujan menjadi salah satu parameter cuaca yang paling banyak diperhatikan karena fenomena kejadiannya secara signifikan dapat mempengaruhi aktivitas manusia, termasuk dalam bidang pertanian, perkebunan, perikanan, transportasi dan lain-lain. Selain itu informasi curah hujan sangat penting untuk melakukan analisis cuaca, khususnya dalam menganalisis kejadian banjir yang disebabkan oleh hujan lebat sehingga perlu adanya informasi terkait curah hujan yang tepat dan akurat. Penelitian ini bertujuan untuk mendapatkan model estimasi curah hujan yang optimal dengan beberapa metode machine learning. Machine learning merupakan aplikasi artificial intelligence (AI) yang menyediakan sistem pembelajaran bagi mesin untuk belajar secara otomatis tanpa diperintahkan secara eksplisit. Machine learning yang digunakan dalam penelitian ini adalah multi-layer perceptron (MLP), support vector regression (SVR) dan random forest (RF). Data radar dan jarak dari radar digunakan sebagai input model, untuk data target/validasi digunakakan data pengamatan hujan otomatis disekitar pengamatan Radar Polarisasi Tunggal di Yogyakarta. Hasil model akan dievaluasi nilai galat dan tingkat akurasinya, sehingga didapatkan metode machine learning yang optimal dalam mengestimasi curah hujan

---

ABSTRACT
Rain is one of the weather parameters that is the most widely considered because the phenomenon of its occurrence can significantly affect human activities, including in agriculture, plantations, fisheries, transportation and others. In addition, rainfall information is very important to do weather analysis, especially in analyzing the occurrence of floods caused by heavy rains so there is a need for accurate and accurate rainfall related information. This study aims to obtain an optimal rainfall estimation model with several machine learning methods. Machine learning is an artificial intelligence (AI) application that provides a learning system for machines to learn automatically without explicit instruction. The machine learning used in this study is multi-layer perceptron (MLP), support vector regression (SVR) and random forest (RF). Radar data and distance from the radar are used as input models, for target/validation data used automatic rain observation data around the Single Polarization Radar observation in Yogyakarta. The results of the model will be evaluated for error values ​​and their level of accuracy, so that an optimal machine learning method is obtained in estimating rainfall.