Prediksi Intensitas Curah Hujan Spasial Di Kota Surabaya Berdasarkan Data Pengamatan Dan Data Radar Cuaca Menggunakan Convolutional Neural Network

Dewi, Ratna Cintya (2021) Prediksi Intensitas Curah Hujan Spasial Di Kota Surabaya Berdasarkan Data Pengamatan Dan Data Radar Cuaca Menggunakan Convolutional Neural Network. Masters thesis, Institut Teknologi Sepuluh Nopember.

Preview	Text 06111850012004_Master_Thesis.pdf Download (14MB) | Preview
Preview	Text 06111850012004_Master_Thesis.pdf Download (14MB) | Preview
Preview	Text Tesis Ratna Cintya Dewi.pdf Download (14MB) | Preview
Preview	Text 06111850012004_Master-Thesis.pdf - Accepted Version Download (14MB) | Preview

Abstract

Curah hujan yang tinggi memiliki dampak yang tidak menguntungkan bagi kota dengan lahan terbuka hijau yang minim. Kota Surabaya memiliki tingkat rawan banjir yang cukup tinggi dengan total luas kerawanan sekitar 57.4% dari luasnya. Kota Surabaya memiliki beberapa rencana pengelolaan kawasan rawan banjir, salah satunya adalah mengembangkan sistem peringatan dini. Sampai saat ini telah banyak dibuat model untuk memprediksi curah hujan. Dalam penelitian ini penulis mengusulkan suatu model dari Convolutional Neural Network (CNN) berdasarkan data pengamatan dan data radar cuaca. Diterapkan metode rasio rata-rata terhadap data radar cuaca untuk mendekati nilai intensitas curah hujan sebenarnya. Dilakukan interpolasi menggunakan IDW untuk memperoleh faktor koreksi curah hujan spasial. Faktor koreksi curah hujan spasial digunakan untuk mengkoreksi curah hujan spasial dari produk PAC. Curah hujan spasial terkoreksi yang diperoleh digunakan sebagai data preprocessing dalam suatu sistem prakiraan yang dikontruksi menggunakan CNN. Hasil keluaran CNN memperoleh prediksi curah hujan di Kota Surabaya untuk satu jam kedepan. Kota Surabaya berdasarkan Oldeman dan Schmid Fegusson pada Desember 2018 hingga Februari 2019 adalah bulan basah. Faktor koreksi curah hujan spasial untuk Kota Surabaya membuat estimasi curah hujandari PAC sesuai pengamatan insitu. Sistem prediksi curah hujan CNN yang dikonstruksi dapat digunakan dalam pembuatan peringatan dini hujan lebat hingga ekstrim. Performansi sistem prediksi CNN memiliki rata-rata nilai akurasi 0.8784, skill 0.24459, dan RMSE 6.4088. Sistem prediksi ini paling baik dalam memprediksi klasifikasi hujan dengan intensitas lebat dengan nilai bias 0.98007.
===================================================================================================
High rainfall has an unfortunate impact on cities with minimal green open land. Surabaya has a relatively high flood-prone level, with a total area of about 57.4% of its area. Surabaya has several management plans for flood-prone areas, one of which is developing an early warning system. Until now, many models to predict rainfall. This study proposes a model from the Convolutional Neural Network (CNN) based on observational data and weather radar data. The average ratio method to weather radar data is applied to approximate the actual rainfall intensity value. Interpolation will be using IDW to obtain spatial rainfall correction factors. The spatial rainfall correction factor will use to correct the spatial rainfall of PAC products. The corrected spatial rainfall obtained is used as preprocessing data in a forecast system constructed using CNN. The CNN output results in a prediction of rainfall in the city of Surabaya for the next hour. In Surabaya, based on Oldeman and Schmid-Fegusson, it is a wet month from December 2018 to February 2019. According to onsite observations, the spatial rainfall correction factor for the City of Surabaya makes rainfall estimates from PAC. The constructed CNN rainfall prediction system can be used to create early warnings of heavy to extreme rain. The CNN prediction system performance has an average accuracy value of 0.8784, skill 0.24459, and RMSE 6.4088. This prediction system is best in predicting rain classification with heavy intensity with a bias value of 0.98007.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Curah Hujan, Prediksi, Convolutional Neural Network,Rainfall, Prediction, Convolutional Neural Network
Subjects:	Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Mathematics > 44101-(S2) Master Thesis
Depositing User:	Ratna Cintya Dewi
Date Deposited:	17 Aug 2021 05:08
Last Modified:	21 Oct 2024 05:10
URI:	http://repository.its.ac.id/id/eprint/87050

Actions (login required)

View Item