📚 Eksplorasi & Komparasi Topik Dokumen

PREDIKSI TINGGI GENANGAN BANJIR BERBASIS DATA SATELIT DAN MACHINE LEARNING DI SUNGAI CILIWUNG, DKI JAKARTA

Pemodelan banjir penting untuk mengidentifikasi wilayah terdampak dan mendukung sistem peringatan dini dalam menentukan prioritas mitigasi. Namun, pemodelan berakurasi tinggi membutuhkan waktu komputasi besar, sedangkan curah hujan observasi berbasis titik memiliki keterbatasan dalam merepresentasikan distribusi spasial hujan. Oleh karena itu, diperlukan pendekatan yang memanfaatkan data dengan cakupan spasial lebih luas dan mampu menghasilkan prediksi genangan secara cepat. Penelitian ini mengevaluasi data curah hujan satelit GSMaP Hourly Gauge V7 sebagai alternatif curah hujan observasi serta mengembangkan model machine learning menggunakan Random Forest dan Long Short-Term Memory (LSTM) neural network untuk memprediksi tinggi genangan dan mengklasifikasikan kejadian banjir di Sungai Ciliwung, DKI Jakarta. Model dilatih menggunakan 49 kejadian banjir hasil simulasi model hidraulik dua dimensi dan diuji serta divalidasi dengan 12 kejadian lainnya. Hasil penelitian menunjukkan bahwa koefisien determinasi antara curah hujan satelit dan observasi meningkat dari 39,79% sebelum koreksi menjadi 42,31% setelah koreksi. Peningkatan sedang ini menunjukkan bahwa koreksi bias mengurangi perbedaan distribusi, meskipun tetap dipengaruhi oleh representasi spasial, kualitas data observasi, dan kondisi klimatologi lokal. Dalam pemodelan machine learning, Random Forest menghasilkan F1-score sebesar 88,19% dan KGE sebesar 87,43%, sedangkan LSTM menghasilkan F1-score sebesar 90,36% dan KGE sebesar 96,85%. Hasil ini menunjukkan bahwa integrasi data satelit, pemodelan hidraulik dua dimensi, dan machine learning berbasis LSTM berpotensi mendukung sistem peringatan dini banjir melalui prediksi genangan yang lebih cepat. Pengembangan selanjutnya dapat mengintegrasikan data banjir pluvial dan produk curah hujan satelit near real-time untuk meningkatkan efektivitas model machine learning.