📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 8 dokumenIDENTIFIKASI BADAI GEOMAGNETIK BERDASARKAN EFEK RUSSELL – MCPHERRON PADA PERIODE 2008-2025
Badai geomagnetik merupakan gangguan global pada medan magnet Bumi yang dipicu oleh interaksi angin surya dengan magnetosfer dan diketahui menunjukkan pola musiman berupa peningkatan aktivitas pada periode ekuinoks (Maret dan September). Salah satu mekanisme yang menjelaskan pola ini adalah efek Russell-McPherron (R-M), yaitu efek geometris akibat transformasi koordinat GSE ke GSM yang menyebabkan komponen By medan magnet antarplanet (IMF) terproyeksi menjadi komponen Bz southward. Penelitian ini bertujuan mengidentifikasi karakteristik kejadian badai geomagnetik, menganalisis perbedaan pola musiman pada fase minimum dan maksimum siklus Matahari, serta mengevaluasi kontribusi efek R-M pada periode 2008–2025 menggunakan data OMNIWeb NASA resolusi per jam. Identifikasi badai dilakukan dengan kriteria Dst ? ?50 nT, menghasilkan 515 kejadian badai yang didominasi kategori Moderate (89.71%). Analisis korelasi menunjukkan Kp memiliki keterkaitan paling kuat dengan Dst (r = ?0.52), sedangkan clock angle dan cone angle hampir tidak berkorelasi linear dengan intensitas badai. Proporsi kejadian badai pada bulan ekuinoks terhadap total kejadian per fase menurun konsisten seiring meningkatnya aktivitas Matahari, dari 46.15% pada fase minimum hingga 23.19% pada fase maksimum. Evaluasi lebih lanjut menunjukkan bahwa efek R-M tidak termanifestasi sebagai IMF Bz yang selalu lebih negatif pada ekuinoks, melainkan sebagai peningkatan efektivitas orientasi IMF dalam menghasilkan komponen southward sehingga menurunkan ambang batas terjadinya badai periode tersebut. Kontribusi efek ini terbukti jauh lebih besar pada fase minimum dibandingkan fase maksimum, karena pada fase maksimum, badai dapat dipicu sepanjang tahun oleh sumber lain seperti CME yang sering kali sudah membawa komponen Bz southward yang kuat tanpa bergantung pada geometri musiman.
PREDIKSI KERAPATAN PETIR MENGGUNAKAN QUANTUM SUPPORT VECTOR REGRESSION
Fenomena petir telah memberikan berbagai dampak negatif sehingga memerlukan sistem proteksi yang efektif. Untuk menentukan level proteksi petir, prediksi kerapatan petir dapat dijadikan sebagai referensi. Meskipun demikian, algoritme klasik masih memiliki keterbatasan pada data kecil atau kompleks. Hal ini telah mendorong berbagai penelitian pembelajaran mesin menggunakan quantum computing. Salah satu algoritme quantum machine learning yang sering digunakan pada kasus regresi adalah QSVR. Penelitian yang telah ada menunjukkan bahwa QSVR dapat memberikan nilai error yang lebih kecil dibandingkan dengan model klasik yang ada. Meskipun demikian, belum terdapat penelitian yang menggunakan QSVR dalam prediksi kerapatan petir. Pada penelitian ini dilakukan prediksi kerapatan petir menggunakan QSVR untuk memanfaatkan potensi tersebut. Terdapat dua dataset yang digunakan pada penelitian ini, yaitu data PLN Puslitbang dan NASA MERLIN. Prediksi dilakukan berdasarkan parameter-parameter spasial dan meteorologi. Pengembangan model QSVR ini difokuskan pada pembangunan quantum feature map dan quantum kernel. Hasil eksperimen menunjukkan performa yang bervariasi. Pada dataset PLN Puslitbang, model SVR dengan RMSE 0.0102, MAE 0.0058, dan R2 0.7750 masih sedikit lebih unggul dibandingkan model QSVR BPS terbaik dengan RMSE 0.0104, MAE 0.0059, dan R2 0.7651. Model QSVR dengan feature map kompleks cenderung overfitting. Selain itu, secara umum penggunaan trainable kernel belum menunjukkan penurunan error. Sebaliknya, pada dataset NASA MERLIN model QSVR BPS dengan RMSE 0.0275, MAE 0.0110, dan R2 0.3856 mengungguli model SVR dengan RMSE 0.0282, MAE 0.0095, dan R2 0.3566. QSVR menunjukkan keunggulan yang konsisten khususnya pada data berukuran kecil. Sebagai tambahan, eksperimen pada kedua dataset menunjukkan bahwa koordinat garis lintang menjadi parameter yang paling memengaruhi model. Penelitian ini menunjukkan bahwa QSVR memiliki potensi besar sebagai alternatif yang lebih baik dalam prediksi kerapatan petir.
PENGGUNAAN ARTIFICIAL NEURAL NETWORK BACKPROPAGATION DALAM PREDIKSI CURAH HUJAN DI KOTA BANDUNG
Prediksi curah hujan memegang peran penting dalam mitigasi bencana hidrometeorologi dan perencanaan sektor agrikultur. Penelitian ini mengimplementasikan Artificial Neural Network (ANN) untuk memodelkan dan memprediksi curah hujan harian di Kota Bandung menggunakan tiga algoritma pelatihan backpropagation yang berbeda, yaitu Scaled Conjugate Gradient (SCG), BFGS Quasi-Newton, dan Levenberg–Marquardt (LM). Evaluasi dilakukan dalam dua pendekatan: klasifikasi (biner dan multi-kelas) serta regresi numerik. Hasil menunjukkan bahwa pendekatan klasifikasi efektif dalam membedakan intensitas hujan, di mana algoritma LM unggul dalam klasifikasi biner, sedangkan BFGS menunjukkan stabilitas lebih baik dalam multi-kelas. Pada pendekatan regresi, BFGS memberikan akurasi prediksi tertinggi (MSE = 115.86), LM paling efisien dalam waktu pelatihan (28 epoch), dan SCG menunjukkan waktu pelatihan tercepat namun akurasi terendah. Perbandingan prediksi terhadap data observasi menunjukkan bahwa model ANN mampu mengikuti tren umum curah hujan, meskipun kurang responsif terhadap kejadian ekstrem. Temuan ini menegaskan pentingnya pemilihan algoritma pelatihan berdasarkan kebutuhan aplikasi, serta perlunya pengembangan lanjutan melalui integrasi data ekstrem dan pendekatan hybrid.
DISTRIBUSI SPASIAL DAN TEMPORAL SUHU DI LAUT SULAWESI SELAMA TRIPLE-DIP LA NIÑA TAHUN 2020-2023
La Niña merupakan fase dingin dari fenomena ENSO yang ditandai oleh penguatan angin pasat di wilayah ekuator Samudra Pasifik, sehingga memicu proses upwelling yang membawa massa air bersuhu rendah ke permukaan. Dalam kondisi tertentu, La Niña dapat berlangsung selama tiga tahun berturut-turut dan dikenal sebagai triple-dip La Niña. Laut Sulawesi berperan penting dalam sistem sirkulasi regional dan global sebagai jalur utama ARLINDO, yang menghubungkan Samudra Pasifik dengan Samudra Hindia. Variabilitas suhu di wilayah ini dipengaruhi oleh dinamika massa air yang melewatinya. Oleh karena itu, analisis terhadap distribusi spasial dan temporal suhu laut selama periode triple-dip La Niña tahun 2020–2023 menjadi penting untuk memahami dampaknya terhadap sistem sirkulasi laut di kawasan ini. Penelitian ini bertujuan untuk menganalisis distribusi spasial dan temporal suhu laut di Laut Sulawesi selama periode triple-dip La Niña tahun 2020-2023. Data suhu laut diperoleh dari CMEMS dan ONI dari NOAA, dianalisis menggunakan MATLAB pada delapan titik stasiun. Hasil penelitian menunjukkan bahwa hubungan antara ONI dan anomali suhu permukaan laut di Laut Sulawesi bervariasi antar stasiun dan fase La Niña. Pada fase La Niña I (Agustus 2020 – April 2021), korelasi umumnya kuat dan searah, sedangkan pada fase La Niña II (Agustus 2021 – Januari 2023) cenderung melemah dan menunjukkan pengaruh faktor lokal yang lebih dominan. Stratifikasi suhu vertikal memperlihatkan respons berbeda di tiap fase; La Niña I ditandai dengan penebalan lapisan tercampur dan termoklin, sedangkan pada La Niña II ketebalan kedua lapisan menunjukkan variasi yang lebih dinamis, khususnya pada periode fluktuasi ONI pada Mei–September 2022. Secara temporal, perubahan suhu di berbagai kedalaman mengikuti dinamika ONI, meskipun hubungan tersebut tidak selalu linear, terutama pada kedalaman menengah dan dalam selama La Niña II. Secara spasial, distribusi suhu laut menunjukkan pola masuknya massa air dingin dari Laut Sulu dan Selat Mindanao yang lebih intens pada fase La Niña II, disertai dominasi massa air hangat di lapisan bawah.
PEMBANGUNAN APLIKASI PENANGKAPAN IKAN LAUT BERBASIS ANDROID UNTUK NELAYAN DI DESA BATUKARAS
Pembuatan aplikasi berbasis android TANGKAP merupakan upaya strategis untuk menggunakan teknologi satelit yang dapat dimanfaatkan oleh nelayan di Desa Batukaras. Data dikumpulkan secara menyeluruh dengan memanfaatkan data citra satelit opensource yang diunduh melalui Application Programming Interface (API) yang menghasilkan data dasar seperti Sea Surface Temperature (SST) dan konsentrasi Klorofil- A. Sementara itu, data curah hujan, kecepatan angin, dan tinggi gelombang diperoleh dari API resmi BMKG. Data tersebut kemudian diklasifikasikan menjadi informasi praktis yang dapat digunakan pada aplikasi android TANGKAP yang terunduh pada gawai pintar nelayan. Selain itu juga, dihasilkan produk berupa Peta Daerah Potensi Penangkapan Ikan (PDPPI). Dengan adanya aplikasi TANGKAP dan PDPPI, nelayan Desa Batukaras dapat memaksimalkan hasil tangkapan ikan.
PEMBANGUNAN APLIKASI PENANGKAPAN IKAN LAUT BERBASIS ANDROID UNTUK NELAYAN DI DESA BATUKARAS
Pembuatan aplikasi berbasis android TANGKAP merupakan upaya strategis untuk menggunakan teknologi satelit yang dapat dimanfaatkan oleh nelayan di Desa Batukaras. Data dikumpulkan secara menyeluruh dengan memanfaatkan data citra satelit opensource yang diunduh melalui Application Programming Interface (API) yang menghasilkan data dasar seperti Sea Surface Temperature (SST) dan konsentrasi Klorofil- A. Sementara itu, data curah hujan, kecepatan angin, dan tinggi gelombang diperoleh dari API resmi BMKG. Data tersebut kemudian diklasifikasikan menjadi informasi praktis yang dapat digunakan pada aplikasi android TANGKAP yang terunduh pada gawai pintar nelayan. Selain itu juga, dihasilkan produk berupa Peta Daerah Potensi Penangkapan Ikan (PDPPI). Dengan adanya aplikasi TANGKAP dan PDPPI, nelayan Desa Batukaras dapat memaksimalkan hasil tangkapan ikan.
PEMANFAATAN PREDIKSI ANGIN SKALA SUBSEASONAL PADA KETINGGIAN HUB DI PLTB SIDRAP I, SULAWESI SELATAN
Energi angin menghadapi kendala dalam keberjalanannya yang dapat mempengaruhi produktivitas energi angin, yaitu sifat intermittent dari kecepatan angin itu sendiri dan hal ini terjadi di PLTB Sidrap I dimana pada bulan November tahun 2019 tidak memproduksi listrik akibat penurunan kecepatan angin. Variabilitas angin yang berubah dari waktu ke waktu menyebabkan ketidakpastian sehingga prediksi cuaca yang akurat dalam berbagai skala waktu menjadi penting untuk memastikan operasional turbin angin yang optimal, termasuk prediksi mingguan (subseasonal). Namun, selama ini prediksi dalam skala mingguan masih kurang mendapatkan perhatian. Oleh karena itu, penelitian ini mencoba untuk memanfaatkan data prediksi angin skala subseasonal dan mengevaluasi performa prediksinya melalui metode subseasonal to seasonal (S2S) forecasting. Penelitian ini menggunakan data CFSv2 operational milik National Centers for Environmental Prediction (NCEP) sebagai data prediksi model dan data reanalisis ERA5 sebagai data observasi. Kedua data tersebut digunakan untuk mengestimasikan nilai kecepatan angin pada ketinggian hub yang sesuai dengan turbin angin yang ada di PLTB Sidrap I dengan pendekatan profil angin logaritmik. Koreksi bias digunakan untuk mengurangi nilai bias dan RMSE antara data model dan data observasinya. Data model CFSv2 kemudian dievaluasi performa prediksnya dengan metode continuous ranked probability score (CRPS) dan brier score. Hasil penelitian ini menunjukkan bahwa performa model cukup baik dalam memprediksi angin sesuai dengan ketinggian hub sesuai dengan nilai CRPS dan brier score-nya, terutama di minggu ketiga bulan November. Namun, masih terdapat nilai bias dan error yang cukup signifikan walaupun telah melalui proses koreksi bias dan perlu dipertimbangkan dalam pengambilan keputusan selanjutnya.
VARIASI SPASIAL DAN TEMPORAL KONSENTRASI KLOROFIL-A DAN SUHU PERMUKAAN LAUT DI LAUT SAWU TAHUN 2020
Penelitian ini menganalisis variasi konsentrasi klorofil-a dan suhu permukaan laut di Laut Sawu pada tahun 2020. Analisis dilakukan untuk memantau perubahan spasial dan temporal dari konsentrasi klorofil-a dan suhu permukaan laut. Variasi spasial dan temporal konsentrasi klorofil-a dan suhu permukaan laut di Laut Sawu dipengaruhi oleh angin Australia-Indonesia Monsoon (AIM), fenomena upwelling, front, dan fenomena lokal perairan. Data yang digunakan berasal dari Aqua-MODIS selama 12 bulan pada tahun 2020. Hasil penelitian menunjukkan bahwa bagian timur Laut Sawu memiliki konsentrasi klorofil-a lebih tinggi dibandingkan bagian barat, dengan nilai mencapai hingga 0,6 mg/m³. Secara temporal, konsentrasi klorofil-a meningkat antara bulan Mei hingga Oktober, mencapai 0,6 mg/m³ dibandingkan bulan lainnya. Suhu permukaan laut (SPL) mengalami penurunan selama periode yang sama, mencapai 26,85°C. Hasil korelasi menunjukkan bahwa terdapat hubungan terbalik antara konsentrasi klorofil-a dan suhu permukaan laut.