📚 Eksplorasi & Komparasi Topik Dokumen

PENGEMBANGAN SISTEM PREDIKSI BANJIR DAN ESTIMASI KERUGIAN EKONOMI BERBASIS COUPLED MODEL WRF/WRF-HYDRO DAN MACHINE LEARNING DI KAWASAN BALEENDAH

Kawasan Baleendah di DAS Citarum Hulu merupakan salah satu titik banjir paling kronis di Indonesia, dengan 14 kejadian banjir dan lebih dari 61.000 jiwa terdampak pada 2024. Pekerjaan ini mengembangkan kerangka sistem prediksi banjir end-to end yang mengintegrasikan model atmosfer WRF untuk menghasilkan curah hujan, model hidrologi WRF-Hydro untuk menghasilkan debit sungai, dan surrogate model berbasis machine learning (ML) untuk memetakan kedalaman rendaman, diakhiri estimasi kerugian ekonomi multisektoral (Expected Damage/ED). Dari sepuluh skenario parameterisasi, skema WSM3-KF-ACM2 terpilih sebagai konfigurasi WRF terbaik (RMSE kalibrasi 1,60 mm/jam; validasi 2,58 mm/jam). Konfigurasi ini menjadi forcing bagi WRF-Hydro yang dikalibrasi melalui 54 kombinasi parameter menggunakan NSE* (NSE terkoreksi cross-correlation lag), menghasilkan NSE* 0,711 (kalibrasi) dan 0,481 (validasi). Dekomposisi galat pewaktuan mengungkap lag intrinsik WRF-Hydro (~3–6 jam) sebagai komponen dominan dibanding keterlambatan presipitasi WRF. Surrogate model ElasticNet Polynomial yang dilatih pada 14 skenario HEC-RAS 2D menghasilkan rata-rata RMSE 0,043 m dan F1-score 0,969 berdasarkan uji Leave-One-Out Cross Validation. Pada validasi operasional, model mencapai RMSE 0,062 m (F1-score 0,990) pada kasus berdebit puncak mendekati Q1 dan 0,241 m (F1-score 0,981) pada kasus berdebit puncak mendekati Q100 dengan input FNL. Durasi pemetaan genangan tereduksi dari 3.429 detik menjadi 0,003 detik per prediksi, meskipun lead-time total sistem (~12 jam) tetap didominasi komputasi hulu. Estimasi ED mencapai Rp605,31 miliar (galat ?9,15%, FNL) dan Rp548,97 miliar (?17,61%, GFS) pada kasus mendekati Q100, serta Rp367,05 miliar (?5,39%) pada kasus mendekati Q1. Galat di bawah 20% menegaskan keandalan sistem untuk peringatan dini near real-time.