Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Konsep Low Impact Development (LID, 1999) mengunakan Curve Number (CN) dari metode SCS di dalam proses analisis dan pendekatan desain untuk menghitung potensi limpasan. Metode CN merupakan pendekatan empirik untuk mengestimasi limpasan permukaan (direct runof) dari hubungan antara hujan, tata guna lahan, kelompok hidrologis tanah (hydrologic soil groups), dan kondisi kelembaban awal (antecedent moisture condition) (USDA - SCS, 1955, 1986). Tujuan penelitian ini adalah mengkaji kelayakan metode Infiltrasi Horton sebagai alternatif pemanfaatan metode SCS untuk menghitung limpasan hujan. Manfaatnya untuk membuat suatu panduan prosedur penentuan nilai CN cara Infiltrasi Horton sebagai alternatif metode SCS untuk karakteristik wilayah di Indonesia, yang dapat digunakan untuk mendesain debit banjir suatu kawasan secara lebih akurat. Untuk mencapai tujuan penelitian tersebut di atas maka dilakukan percobaan infiltrometer di lapangan untuk membuat persamaan infiltrasi Horton di lokasi yang ditentukan berdasarkan variasi kombinasi parameter; jenis tanah, potensi air tanah, tata guna lahan, dan posisi di sub-DAS. Data sebaran hujan digunakan untuk menghitung rasio limpasan langsung (ekses hujan) terhadap total hujan. Hubungan tersebut digambarkan dalam bentuk grafik dan diperbandingkan dengan nomogram SCS. Percobaan dilakukan di Sub-DAS Sugutamu, sebagai bagian dari Penelitian Infrastruktur Hijau, Departemen Teknik Sipil, tahun 2007 ? 2009. Batasan-batasan di dalam penelitian ini adalah jumlah titik pengamatan ada 10 (sepuluh), waktu pengukuran dilakukan sekali antara Oktober - November 2007, data sebaran hujan antara Januari 2003 - Desember 2007 stasiun hujan FTUI. Penelitian menunjukan bahwa ada ketidakkonsistenan nomogram SCS untuk lokasi 4, 7, 8, 9 dan 10. Kondisi tanah di titik-titik pengamatan mengindikasikan potensi rendah limpasan langsung karena laju infitrasi tanah yang tinggi (> 1, 147 cm/jam) yaitu rata-rata 2,306 cm/jam, tetapi ini tidak menggambarkan kondisi wilayah di lokasi pengamatan, mengingat CN yang didapat dari percobaan masih terbatas pada lokasi titik pengamatan. Rekomendasi untuk penelitian selanjutnya adalah meneliti nilai CN wilayah. Hubungan antara hasil perhitungan dengan nilai aktual perlu dilakukan sehingga rekomendasi untuk penelitian selanjutnya adalah mengamati debit limpasan langsung di lapangan untuk dibandingkan dengan hasil perhitungan teoritis, serta karakterisitik waktu konsentrasi untuk memprediksi volume banjir hasil perhitungan.

Abstrak :
Penelitian ini memafaatkan kamera pengawas dengan pemodelan Deep Learning untuk memprediksi curah hujan. Model dibangun dengan input video serta data referensi curah hujan dari Tipping Bucket yang dipasang berdekatan dengan lokasi kamera pengawas. Penelitian ini memfokuskan prediksi curah hujan dengan input video sebagai representasi curah hujan dalam satuan waktu, serta metode Rain Streak yang muncul sebagai Rain Streak. Informasi spasial yang dimiliki setiap gambar yang ditangkap kamera pengawas ditangkap oleh arstitektur model vR-TCN dan digunakan fungsi Time Distributed agar informasi spasial yang ditangkap diterapkan terhadap deretan gambar.  Penelitian ini membuktikan input Rain Streak dengan metode grayscale memiliki hasil yang lebih baik, disertai dengan pemilihin Region of Interest yang didasari dengan latar paling hitam. Hasil prediksi model dengan konfigurasi besar Region of Interest 120x180 pada latar paling hitam, menggunakan metode Grayscale serta menggunakan jumlah 5 deretan gambar memiliki hasil terbaik dengan nilai RMSE sebesar 0,1391 dan R2 sebesar 0,8800. ......This research utilizes surveillance cameras and Deep Learning modeling to predict rainfall. The model is built using video input and reference data from nearby Tipping Bucket rain gauges. This research focuses on predicting rainfall using video inputs as a representation of rainfall over a period of time, as well as the Rain Streak method that appears as Rain Streak. The spatial information captured by the surveillance camera in each image is captured by the vR-TCN model architecture, and the Time Distributed function is used to apply the captured spatial information to a sequence of images. This research proves that the Rain Streak method with grayscale produces better results, accompanied by the selection of a Region of Interest based on the darkest background. The predictive model yields the best results with a configuration of a large Region of Interest of 120x180 on the darkest background, using the Grayscale method and a sequence of 5 images, with an RMSE value of 0,1391 and an R2 value of 0,8800.

Abstrak :
Hujan ekstrem adalah hujan dengan intensitas yang sangat tinggi yang terjadi dalam periode waktu yang singkat, dan dapat menyebabkan dampak yang signifikan pada bentuk fisik bahkan kehidupan masyarakat (Cox dan Sweeney, 2013). Pulau Jawa merupakan pulau dengan curah hujan yang tinggi, pada klasifikasi curah hujan global Pulau Jawa masuk dalam kategori terakhir dalam enam kategori tingkat kebasahan global (Amruta, 2014). yang mengindikasikan bahwa Pulau Jawa memiliki potensi hujan ekstrem. Pulau Jawa merupakan pulau penting di Indonesia bahkan regional, Pulau Jawa merupakan rumah dari 56% Penduduk Indonesia (BPS 2020). Oleh karena itu diperlukan mitigasi berupa pendeteksian pola hujan ekstrem, pendeteksian dilakukan dengan analisis spasial dan temporal dari data CHIRPS selama 30 tahun. CHIRPS adalah database curah hujan yang dikembangkan oleh Climate Hazard Group. Sebagai batasan penelitian hujan ekstrem memiliki ambang batas 50 mm/hari menurut KEP. 009 tahun 2010. ......Extreme rainfall is precipitation with very high intensity that occurs in a short period of time and can have significant impacts on both the physical environment and human life (Cox and Sweeney, 2013). Java Island is an island with high rainfall, based on global rainfall classification, Java Island falls into the last category among the six categories of global wetness levels (Amruta, 2014). This indicates that Java Island has the potential for extreme rainfall. Java Island is a crucial island in Indonesia and the region, being home to 56% of Indonesia's population (BPS 2020). Therefore, mitigation is needed in the form of detecting patterns of extreme rainfall, and the detection is carried out through spatial and temporal analysis of CHIRPS data over 30 years. CHIRPS is a land-based precipitation database which developed by Climate Hazard Group. As a research limitation, extreme rainfall is defined with a threshold of 50 mm/day according to KEP. 009 in 2010. From this threshold, temporal analysis is then conducted annually, monthly, and tri-monthly. Subsequently, spatial data processing is performed based on temporal data to analyse the locations of high-frequency extreme rainfall.

Abstrak :
ABSTRAK
Tanah longsor merupakan bencana geologi terbesar ke tiga dan seringkali terjadi di beberapa wilayah di Indonesia seperti Kabupaten Kebumen yang sering mengalami tanah longsor yakni memiliki 398 kejadian longsor selama 8 tahun terakhir dikarenakan letak geografis daerah tropis yang memiliki curah hujan tinggi hingga 4000 mm/tahun yakni pada 1984. Sehubungan dengan perubahan iklim, terdapat prediksi kecenderungan perubahan frekuensi curah hujan pemicu longsor terbagi dalam tiga kategori; 51-100 mm/hari, 71-140 mm/3 hari, 81-160 mm/5 hari, 101-200 mm/10 hari diperhitungkan menggunakan metode Mann-Kendall yang ditempatkan berdasarkan wilayah Poligon Thiessen. Keterkaitan antara kecenderungan perubahan frekuensi curah hujan yang di overlay dengan kejadian longsor merupakan tujuan dari penelitian ini sehingga dapat terlihat bagaimana kecenderungan curah hujan di masa mendatang pada wilayah rawan tanah longsor. Hasil analisis kecenderungan perubahan curah hujan menunjukkan bahwa terdapat peningkatan frekuensi curah hujan yang signifikan di beberapa wilayah seperti Merden dan Mirit serta menurun seperti di Pudourip dan Rantewringin. Kejadian longsor tinggi didominasi pada bagian utara dan barat daya Kabupaten Kebumen dan pada wilayah meningkat signifikan jumlah kejadian longsor adalah rendah.

---

ABSTRACT
Landslide was the third greatest geological disaster often in some regions in Indonesia like in Kebumen Regency that often have landslide case and have 398 landslide case at last 8 years caused by tropical location which have high rainfall up to 4000 mm year like at 1984. In the connection with the climate changes, there is prediction about trend of the rainfall frequency landslide triggers divided in three class 51 ndash 100 mm day, 71-140 mm 3 days, 81-160 mm 5 days, and 101-200 mm 10 days that predicted by Mann Kendall methods located by Poligon Thiessen area. Spatial analysis used to describe linkages between trend of rainfall that overlayid with landslide case. Linkages between trend of rainfall frequency overlayid with landslide case was the aims of this research to see how the trend of rainfall frequency in future at prone of landslide. The result of the analysis trend of rainfall frequency show there was significant increase in some regions like Merden and Mirit and decrease of trend of rainfall frequency like in Pudourip and Rantewringin. High number of landslide case north and southwest area and at significant increase area dominant low number of landslide case.

Abstrak :
Curah hujan mempunyai dampak yang signifikan terhadap berbagai sektor kehidupan dan lingkungan. Misalnya, curah hujan membantu meningkatkan produktivitas pertanian, menjamin cadangan pangan dan air. Selain itu, curah hujan juga mempengaruhi kekeringan dan siklus air tanah. Oleh karena itu, mengetahui cara memperkirakan curah hujan di suatu daerah secara akurat sangat penting. Salah satu cara memperkirakan curah hujan adalah dengan menggunakan radar cuaca yang mengukur nilai reflektivitas, kemudian menggunakan persamaan Z-R untuk menghitung curah hujan yang terjadi. Namun, beberapa penelitian sebelumnya telah menggunakan model estimasi curah hujan kuantitatif dengan machine learning dari data radar hujan karena dapat memberikan prediksi yang lebih akurat dibandingkan persamaan Z-R. penelitian lain menyatakan bahwa gradient boosting menghasilkan estimasi curah hujan yang lebih akurat dibandingkan beberapa algoritma lainnya. Pada penelitian ini, estimasi curah hujan dilakukan pada satu wilayah dengan tipe curah hujan lokal di Kota Gorontalo. Estimasi ini dilakukan dengan membandingkan keakuratan dua metode: persamaan Z-R dan algoritma machine learning. Persamaan Z-R yang digunakan adalah persamaan Z-R oleh Marshall-Palmer (𝐴 = 200, 𝑏 = 1.6) dan Rosenfeld (𝐴 = 250, 𝑏 = 1.2), sedangkan algoritma machine learning yang digunakan adalah gradient boosting. Hasil perbandingan menunjukkan bahwa gradient boosting memberikan estimasi yang lebih akurat dibandingkan dengan kedua persamaan Z-R tersebut. Hasil estimasi algoritma gradient boosting memberikan nilai RMSE, MAE, dan R 2 masing-masing sebesar 0,61, 0,17, dan 0,86. Persamaan Marshall-Palmer Z-R menghasilkan nilai RMSE, MAE, dan R 2 sebesar 8,14, 3,66, dan -0,19. Estimasi persamaan Z-R Rosenfeld menghasilkan nilai RMSE, MAE, dan R 2 sebesar 8,18, 3,71, dan -0,20. Dari ketiga metrik tersebut, dapat disimpulkan bahwa gradient boosting memberikan estimasi yang paling akurat untuk curah hujan di wilayah dengan tipe hujan lokal di Kota Gorontalo. ......Rainfall has a significant impact on various sectors of life and the environment. For example, rainfall helps increase productivity in agriculture, ensuring food reserves and water. In addition, rainfall also affects drought and the soil water cycle. Therefore, knowing how to estimate rainfall in an area accurately is essential. One way to estimate rainfall is to use a weather radar that measures reflectivity values, then use the Z-R equation to calculate the rainfall that occurs. However, Several previous studies have used machine learning quantitative rainfall estimation models from rain radar data because it can provide more accurate predictions than the Z-R equation. Another study state that gradient boosting provides more accurate rainfall estimation than several other algorithms. In this study, rainfall estimation was carried out in an area with local rainfall types in Gorontalo City. This estimation is done by comparing the accuracy of two methods: the Z-R equation and machine learning algorithms. The Z-R equation used is the Z-R Equation by Marshall-Palmer (𝐴 = 200, 𝑏 = 1.6) and Rosenfeld (𝐴 = 250, 𝑏 = 1.2), while the machine learning algorithm used is gradient boosting. The comparison results show that gradient boosting provides a more accurate estimation than the two ZR equations. The gradient boosting algorithm estimation results provide RMSE, MAE, and R 2 values of 0.61, 0.17 and 0.86, respectively. The Marshall-Palmer Z-R equation obtained RMSE, MAE, and R 2 values of 8.14, 3.66, and -0.19. The estimation of Rosenfeld's Z-R equation resulted in RMSE, MAE, and R 2 values of 8.18, 3.71, and - 0.20. From these three metrics, it is concluded that gradient boosting provides the most accurate estimate for rainfall in areas with localized rainfall types in Gorontalo City.

Abstrak :
Dalam penelitian ini, efek dari intensitas dan durasi hujan terhadap faktor keamanan dianalisis pada geometri lereng galian yang berbeda pada lereng tak jenuh untuk tanah merah tropis dengan menggunakan analisis probabilitas. Geometri lereng galian dibedakan dengan ketinggian 10m, 20m, 30m dengan sudut 27°, 45°, 55°, dan 70° dan hujan memiliki tiga pola, yaitu normal, advanced, dan delayed dengan durasi tiga hari. Analisis rembesan dilakukan dengan SEEP/W dan stabilitas lereng dengan SLOPE/W. Perubahan persentase probabilitas kegagalan terbesar selama hujan didapatkan pada lereng 10m dengan sudut 70° pada pola hujan advanced dikarenakan infiltrasi air hujan sehingga terjadi kenaikan tegangan air pori negatif.

---

In this research, effect of rainfall intensity and duration to the Safety Factor will be analysed in different excavated slope geometries on unsaturated slope by conducting probabilistic analysis. Excavated slopes are differentiated into 10m, 20m, and 30m height and 27°, 45°, 55°, and 70° angles and three rainfall patterns, which are normal, advanced, and delayed with three days duration. Seepage analysis is conducted with SEEP W and slope stability with SLOPE W. Significant failure probability percentage throughout the rain is reached for 10m and 70° slope in advanced rainfall pattern due to rainfall infiltration which increases the negative pore water pressure.