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

Abstract

Keterbatasan data iklim khususnya pengukuran curah hujan dapat berdampak pada tingkat keandalan model hidrologi. Hal ini dapat terjadi apabila pada daerah tangkapan air yang cangkupan alat ukur hujannya jarang atau bahkan tidak ada. Deep learning menyediakan kerangka konseptual dan algoritma untuk pemodelan data hidrologi. LSTM, sebagai salah satu algoritma deep learning, secara khusus menangani sifat temporal data hujan-aliran. TensorFlow, sebagai alat implementasi, memungkinkan dijalankan dengan efisien dan efektif, dari pengumpulan data, preprocessing, pelatihan model, hingga evaluasi hasil. Kombinasi ini menghasilkan model prediksi hujan-aliran yang lebih akurat dan dapat diandalkan. Berdasarkan hasil pemodelan hujan aliran menggunakan pendekatan deep learning yaitu LSTM. Pemilihan input model ada 6 skenario model berdasarkan variasi time step dan input serta tingkat keandalan model dilihat dari koefisien determinasi (R2) dan error (RMSE). Skenario model 1 time step harian dengan input data curah hujan dan target debit. Skenario model 2 time step harian dengan input data curah hujan, suhu dan target debit. Skenario model 3 time step periode 10 harian dengan input data curah hujan dan target debit. Skenario model 4 time step periode 10 harian dengan input data curah hujan, suhu dan target debit. Skenario model 5 time step bulanan dengan input data curah hujan dan target debit. Skenario model 6 time step bulanan dengan input data curah hujan, suhu dan target dabit. Tingkat keandalan model untuk training dan testing dilihat dari koefisin determinasi (R2) dan error (RMSE) skenario model 5 dengan time step bulanan memiliki tingkat keandalan yang baik dari skenario lainnya. Input curah hujan dan target debit memiliki nilai koefisien determinasi (R2) sebesar 0.91 dan error (RMSE) 0.005. Koefisien determinasi (R2) dan error (RMSE) yang menghasilkan nilai tersebut menggunakan epoch 300 dan batch size 3.