Optimasi Estimasi Data Curah Hujan Berbasis Satelit terhadap Data Pengamatan Hujan Menggunakan Random Forest di Wilayah Balikpapan

Abstract

Estimasi curah hujan yang tidak stabil dari Produk Curah Hujan Satelit menghadirkan tantangan bagi analisis hidrologi lokal. Studi ini mengevaluasi akurasi tiga produk satelit mentah yaitu GPM IMERG, CHIRPS dan GSMaP pada skala harian, dasarian (sepuluh harian), dan bulanan dengan membandingkannya terhadap data lapangan dari stasiun Synoptik, AWS dan ARG di Balikpapan. Untuk meningkatkan presisi data diterapkan metode koreksi bias berbasis machine learning menggunakan algoritma Random Forest. Evaluasi awal menunjukkan adanya kesalahan sistematis yang signifikan, yang ditandai dengan hubungan linear tingkat rendah hingga sedang pada scatterplot data mentah. Data mentah GPM IMERG secara konsisten overestimate curah hujan dengan menunjukkan bias persentase positif sebesar 74,77 persen pada skala bulanan di stasiun ARG Kariangau. Sebaliknya, data mentah CHIRPS dan GSMaP menunjukkan tren underestimate dengan bias negatif bulanan masing-masing sebesar 19,25 persen dan 23,65 persen di stasiun Synoptik. Ketidaksesuaian ini menyebabkan nilai awal Nash-Sutcliffe Efficiency tetap rendah atau bernilai negatif. Penerapan algoritma Random Forest secara signifikan meningkatkan akurasi kuantitatif. Kurva deret waktu pasca-koreksi sangat selaras dengan pengamatan lapangan, dan data pada diagram sebar mengumpul di sepanjang garis ideal 1:1. Kurva distribusi kesalahan menyempit secara tajam di sekitar angka nol milimeter, yang membuktikan bahwa varians kesalahan telah diminimalkan. Selain itu, model ini berhasil menurunkan False Alarm Ratio hingga mendekati nol untuk kejadian curah hujan harian dengan intensitas sedang hingga lebat. Di antara kumpulan data yang belum dikoreksi, data mentah GSMaP memberikan kinerja dasar yang paling stabil. Setelah kalibrasi varian RF GSMaP mempertahankan keunggulannya sebagai model paling akurat di semua skala. Kinerja optimalnya tercapai pada skala bulanan di stasiun Synoptik, dengan koefisien korelasi (r) tinggi sebesar 0,96, Mean Absolute Error rendah sebesar 19,92 mm, Root Mean Square Error sebesar 35,66 mm, bias minimal sebesar 0,39 persen serta nilai Nash-Sutcliffe Efficiency yang sangat baik sebesar 0,91. Hasil-hasil ini menunjukkan bahwa kerangka kerja Random Forest sangat efektif untuk mengalibrasi data curah hujan satelit di wilayah lokal dengan karakteristik yang kompleks.