Pemodelan Hujan Aliran Daerah Aliran Sungai Sampean Baru Menggunakan Pendekatan Deep Learning

Abstract

Keterbatasan data iklim, khususnya pengukuran curah hujan, dapat mempengaruhi keandalan model hidrologi, terutama di daerah tangkapan air yang jarang atau bahkan tidak memiliki alat ukur hujan. Deep learning menawarkan pendekatan yang efektif untuk pemodelan data hidrologi, dengan Long Short-Term Memory (LSTM) sebagai algoritma yang mampu menangani sifat temporal data hujan-aliran. TensorFlow digunakan sebagai alat implementasi untuk memfasilitasi proses pengumpulan data, preprocessing, pelatihan model, dan evaluasi hasil dengan efisien. Kombinasi ini menghasilkan model hujan-aliran yang lebih akurat dan dapat diandalkan. Penelitian ini mengembangkan model hujan-aliran menggunakan pendekatan deep learning LSTM, dengan enam skenario model berdasarkan variasi time step (harian, periode 10 harian, dan bulanan) serta input data. Skenario model pertama menggunakan time step harian dengan input data curah hujan dan target debit, sementara skenario kedua menambahkan suhu sebagai input. Skenario model ketiga menggunakan time step periode 10 harian dengan input data curah hujan dan target debit, dan skenario keempat menambahkan suhu pada inputnya. Skenario kelima menggunakan time step bulanan dengan input data curah hujan dan target debit, dan skenario keenam menambahkan suhu pada input. Model dievaluasi menggunakan koefisien determinasi (R²) dan Root Mean Square Error (RMSE) untuk mengukur tingkat keandalan. Hasil menunjukkan bahwa skenario model dengan time step bulanan (skenario 5) memberikan hasil terbaik, dengan R² sebesar 0.91 dan RMSE 0.005 pada input data curah hujan dan debit. Penggunaan epoch 300 dan batch size 3 menghasilkan akurasi terbaik pada skenario ini. Pengaruh variasi time step dan input data pemodelan terlihat pada perbedaan tingkat keandalan di setiap skenario, di mana time step bulanan dengan curah hujan dan debit sebagai input menghasilkan performa terbaik. Hasil ini menunjukkan bahwa pendekatan deep learning dengan pemilihan time step yang tepat dapat meningkatkan akurasi dan keandalan prediksi hujan-aliran di daerah dengan keterbatasan data.