Hasil Pencarian  ::  Simpan CSV :: Kembali

"Daerah ekuator memiliki curah hujan yang tinggi karena terletak di dekat garis khatulistiwa, dimana matahari menghasilkan energi yang sangat tinggi sepanjang tahun. Ini berdampak pada habitat biologis, siklus air global, dan kehidupan sehari- hari manusia. Informasi curah hujan yang akurat penting untuk mitigasi bencana, pengelolaan sumber daya udara, dan pemodelan iklim. Pengukuran terhadap curah hujan dalapat dilakukan dengan berbagai metode, salah satunya dengan menggunakan metode jarak jauh yaitu radar (Radio Detecting and Ranging). Pada studi ini, dilakukan perhitungan radar cuara dengan menggunakan machine learning untuk mengkaji keakuratan perhitungan data radar cuaca terhadap nilai estimasi curah hujan di Pontianak. Produk dari radar cuaca merupakan data reflektifitas (Z). Penggunaan machine learning ini diterapkan pada data reflektifitas radar cuaca dimana data yang digunakan adalah C-MAX atau Column Maximum. Data curah hujan pada periode Desember 2021 sampai Februari 2022 di Pontianak diolah dengan metode perbandingan menggunakan empat algoritma tree-based machine learning: Decision Tree, Random Forest, Adaptive Boosting, dan Gradient Boosting. Perbandingan ini bertujuan untuk mendapatkan nilai estimasi curah hujan. Algoritma Decision Tree menghasilkan nilai akurasi RMSE sebesar 0,693 dan korelasi R2 sebesar 0,449; Random Forest menghasilkan RMSE 0,642 dan R2 0,527; Adaptive Boosting menghasilkan RMSE sebesar 0,725 dan R2 sebesar 0,395, serta Gradient Boosting menghasilkan RMSE sebesar 0,561 dan R2 sebesar 0,638. Disimpulkan bahwa algoritma Gradient Boosting dapat memberikan estimasi curah hujan terbaik di Pontianak, Kalimantan Barat, Indonesia.......Equatorial regions have high rainfall because they are located near the equator, where the sun produces very high energy throughout the year. This impacts biological habitats, the global water cycle, and people's daily lives. Accurate rainfall information is vital for disaster mitigation, air resource management, and climate modeling. Rainfall can be measured using various methods, one of which is a long- range method, namely radar (Radio Detecting and Ranging). In this study, weather radar calculations were carried out using machine learning to assess the accuracy of weather radar data calculations on estimated rainfall values in Pontianak. The product of weather radar is reflectivity data (Z). Machine learning is applied to weather radar reflectivity data where the data used is C-MAX or Column Maximum. Rainfall data from December 2021 to February 2022 in Pontianak was processed utilizing a comparative method using four tree-based machine learning algorithms: Decision Tree, Random Forest, Adaptive Boosting, and Gradient Boosting. This comparison aims to obtain estimated rainfall values. The Decision Tree algorithm produces an RMSE accuracy value of 0.693 and an R2 correlation of 0.449; Random Forest produces an RMSE of 0.642 and R2 0.527; Adaptive Boosting produces an RMSE of 0.725 and R2 of 0.395, and Gradient Boosting has an RMSE of 0.561 and an R2 of 0.638. It was concluded that the Gradient Boosting algorithm can provide the best rainfall estimates in Pontianak, West Kalimantan, Indonesia."

"Transformasi metode penyampaian peringatan dini cuaca konvensional berupa informasi berbasis fenomena menjadi informasi berbasis dampak memberikan dampak yang signifikan terhadap upaya pengurangan resiko bencana. Algoritma prediksi berdasarkan data resolusi tinggi menjadi komponen yang penting daam sistem peringatan dini cuaca. Penelitian ini bertujuan untuk melakukan kajian spasial implementasikan algoritma prediksi Short Term Ensemble Prediction System (STEPS) menggunakan data radar cuaca dalam pembuatan peringatan dini cuaca berbasis dampak di Kabupaten Bogor. Teknik weighted overlay digunakan untuk menghitung indeks peringatan berdasarkan nilai variabel Quantitative Precipitation Estimation (QPE) 24 jam, Quantitative Precipitation Forecast (QPF) 3 jam dari algoritma STEPS, dan nilai indeks risiko bencana banjir. Nilai pembobotan pada setiap variabel ditentukan menggunakan teknik Analytical Hierarchy Process (AHP) dan nilai batas ambang QPE dan QPF dihitung menggunakan metode persentil. Studi kasus yang digunakan adalah kejadian banjir pada tahun 2020 di Kabupaten Bogor. Algoritma STEPS menghasilkan performa prediksi yang baik dimana 75% dari seluruh studi kasus memiliki structure, amplitude, dan location yang hampir sama dengan nilai observasi. Indeks peringatan dini cuaca berbasis dampak pada seluruh studi kasus memiliki rentang nilai 5 hingga 10 atau masuk dalam kategori siaga hingga awas dengan potensi dampak banjir dimana seluruh potensi dampak tersebut sesuai dengan kejadian di lapangan.......The transformation of extreme weather early warnings format from phenomenon-based information into impact-based information has a significant role on disaster risk reduction. Prediction algorithms based on high-resolution data become an important component in extreme weather early warning systems. This research aims to conduct a spatial study of the implementation of the Short Term Ensemble Prediction System (STEPS) using weather radar data in the making of impact-based extreme weather early warnings in Bogor Regency. The weighted overlay technique is used to calculate the warning index based on the value of the Quantitative Precipitation Estimation (QPE) variable 24 hours ago, the Quantitative Precipitation Forecast (QPF) 3 hours ahead from the STEPS algorithm, and the value of the flood risk index. The weighting value for each variable was determined using the Analytical Hierarchy Process (AHP) technique and the threshold values ​​for QPE and QPF were calculated using the percentile method. The case study used is the flood incident in 2020 in Bogor Regency. The STEPS algorithm produces good predictive performance where 75% of all case studies have the same structure, amplitude, and location as the observed values. The impact-based early warning index in all case studies has a range of 5 to 10 or is in the category of alert to alert with potential flood impacts where all of these potential impacts are in accordance with events in the field."