Pemodelan Curah Hujan Das Sampean Baru Berdasarkan Data Satelit NOAA Menggunakan Deep Learning

Abstract

Curah hujan merupakan salah satu parameter penting dalam meteorologi yang memengaruhi pengelolaan sumber daya air, pertanian, dan mitigasi bencana. Pengukuran konvensional curah hujan di DAS Sampean Baru sering menghadapi kendala kehilangan data akibat alat ukur yang kurang terpelihara atau kesalahan pencatatan. Penelitian ini bertujuan untuk meningkatkan akurasi prediksi curah hujan menggunakan data satelit NOAA dengan algoritma Deep Learning berbasis Long Short-Term Memory (LSTM). Data satelit NOAA, yang memiliki resolusi spasial tinggi, digunakan sebagai input model, sementara data observasi digunakan sebagai referensi validasi. Pemodelan dilakukan dengan parameter meliputi 1 hidden layer, 10-25 neuron, learning rate 0,005-0,1, batch size 2-12, optimizer Adam, dan 1500 epoch. Hasil penelitian menunjukkan bahwa model memiliki nilai NSE 0,57-0,36, korelasi (R) 0,76-0,49, dan R² 0,58-0,24, yang mengindikasikan akurasi cukup baik secara keseluruhan. Namun, pada beberapa pos curah hujan, model masih belum mencapai performa optimal. Penelitian ini menunjukkan bahwa pendekatan deep learning berbasis LSTM dengan data satelit NOAA dapat menjadi alternatif andal dalam memprediksi curah hujan. Pendekatan ini berpotensi meningkatkan efisiensi pengelolaan sumber daya air dan mitigasi bencana.