Hasil Pencarian  ::  Simpan CSV :: Kembali

"Debu vulkanik merupakan partikel yang sangat berbahaya bagi aktivitas penerbangan. Objek tersebut dapat diamati secara spasial melalui pengamatan satelit. 8. Namun, satelit ini memiliki kelemahan berupa pergeseran akibat kesalahan sudut baca ketika objek yang diamati jauh dari posisi nadir satelit. Data target output debu vulkanik yang digunakan merupakan hasil interpretasi forecaster berdasarkan pengamatan satelit Terra/Aqua (MODIS) yang memiliki orbit polar sehingga pengamatan dilakukan tepat diatas objek. Algoritma sampel yang dilakukan untuk membuat model adalah dengan variasi sampel berupa data piksel tunggal dan data rata-rata piksel pada citra satelit Himawari Untuk menentukan lokasi debu vulkanik berdasarkan citra satelit, dibutuhkan interpretasi dari forecaster. Pada penelitian ini, dibuat sebuah sistem pemodelan berbasis artificial neural network untuk menghasilkan output sebaran debu vulkanik secara otomatis berdasarkan training data dari citra satelit Himawari 8. Namun, satelit ini memiliki kelemahan berupa pergeseran akibat kesalahan sudut baca ketika objek yang diamati jauh dari posisi nadir satelit. Data target output debu vulkanik yang digunakan merupakan hasil interpretasi forecaster berdasarkan pengamatan satelit Terra Aqua (MODIS) yang memiliki orbit polar sehingga pengamatan dilakukan tepat diatas objek. Algoritma sampel yang dilakukan untuk membuat model adalah dengan variasi sampel berupa data piksel tunggal dan data rata-rata piksel pada citra satelit Himawari Sedangkan variasi data input yang digunakan terdiri dari 3 input, 16 input, dan 4 input kanal satelit. Metode pengujian performa dari model dilakukan dengan melihat citra sebaran debu yang dihasilkan model yang diverifikasi di setiap titik piksel. Berdasarkan hasil penelitian, model dengan menggunakan 3 input kanal satelit dapat mendeteksi sebaran debu vulkanik dengan baik pada data training maupun testing. Untuk koreksi kesalahan paralaks satelit Himawari memiliki dampak yang cukup signifikan terhadap hasil output model. Akurasi dari output model meningkat signifikan setelah dilakukan koreksi spasial akibat kesalahan paralaks yang menghasilkan akurasi model pada saat testing mencapai 95 persen "

"ABSTRAKHujan menjadi salah satu parameter cuaca yang paling banyak diperhatikan karena fenomena kejadiannya secara signifikan dapat mempengaruhi aktivitas manusia, termasuk dalam bidang pertanian, perkebunan, perikanan, transportasi dan lain-lain. Selain itu informasi curah hujan sangat penting untuk melakukan analisis cuaca, khususnya dalam menganalisis kejadian banjir yang disebabkan oleh hujan lebat sehingga perlu adanya informasi terkait curah hujan yang tepat dan akurat. Penelitian ini bertujuan untuk mendapatkan model estimasi curah hujan yang optimal dengan beberapa metode machine learning. Machine learning merupakan aplikasi artificial intelligence (AI) yang menyediakan sistem pembelajaran bagi mesin untuk belajar secara otomatis tanpa diperintahkan secara eksplisit. Machine learning yang digunakan dalam penelitian ini adalah multi-layer perceptron (MLP), support vector regression (SVR) dan random forest (RF). Data radar dan jarak dari radar digunakan sebagai input model, untuk data target/validasi digunakakan data pengamatan hujan otomatis disekitar pengamatan Radar Polarisasi Tunggal di Yogyakarta. Hasil model akan dievaluasi nilai galat dan tingkat akurasinya, sehingga didapatkan metode machine learning yang optimal dalam mengestimasi curah hujan

---

ABSTRACTRain is one of the weather parameters that is the most widely considered because the phenomenon of its occurrence can significantly affect human activities, including in agriculture, plantations, fisheries, transportation and others. In addition, rainfall information is very important to do weather analysis, especially in analyzing the occurrence of floods caused by heavy rains so there is a need for accurate and accurate rainfall related information. This study aims to obtain an optimal rainfall estimation model with several machine learning methods. Machine learning is an artificial intelligence (AI) application that provides a learning system for machines to learn automatically without explicit instruction. The machine learning used in this study is multi-layer perceptron (MLP), support vector regression (SVR) and random forest (RF). Radar data and distance from the radar are used as input models, for target/validation data used automatic rain observation data around the Single Polarization Radar observation in Yogyakarta. The results of the model will be evaluated for error values ​​and their level of accuracy, so that an optimal machine learning method is obtained in estimating rainfall."

"Wilayah pesisir adalah salah satu wilayah yang sangat rentan bencana. Salah satu bencana yang perlu mendapat perhatian serius di daerah pesisir termasuk di kota Jakarta adalah bencana yang disebabkan oleh banjir pantai. Permasalahan utama adalah saat ini belum tersedia sistem peringatan dini banjir pantai di Jakarta. Tujuan penelitian ini adalah membangun model sistem peringatan dini banjir pantai dengan memperhitungkan berbagai faktor dan menganalisis tingkat penerimaan masyarakat pada pengembangan sistem peringatan dini banjir pantai di daerah pesisir Jakarta. Metode yang digunakan adalah Mix Method (Kuantitatif dan Kualitatif). Pengembangan model dilakukan dengan memperhitungkan faktor meteorologi, klimatologi, oseanografi dan hidrologi dan juga melakukan analisis pada penerimaan masyarakat dengan deskripsi statistik, tabulasi silang dan analisis jalur. Hasil penelitian menunjukkan perbandingan tinggi muka laut pada saat kejadian banjir pantai antara model dan data observasi pada tanggal 29 Mei – 8 Juni 2016, 3 Januari – 13 Januari 2017 dan 28 November – 8 Desember 2017 menunjukkan korelasi yang baik yaitu nilai r masing - masing, 0,98, 0,99, dan 0,96. Hasil simulasi pada tanggal 5 Desember 2017 menunjukkan peta genangan dengan dampak terparah ada di wilayah Tanjung Priok, Marunda, Kalibaru dan Kamal Muara. Hasil analisis penerimaan masyarakat memperlihatkan adanya hubungan antara pengetahuan dan persepsi pada sikap masyarakat merespon model peringatan dini banjir pantai. Berdasarkan hasil penelitian dapat disimpulkan bahwa model yang dibangun dalam penelitian dapat digunakan sebagai sistem peringatan dini dalam mitigasi banjir pantai bagi masyarakat di pesisir Jakarta.

---

The coastal area is one of the areas that are very vulnerable to disasters. One of the catastrophes that need serious attention in coastal areas, including in Jakarta, is a disaster caused by coastal flooding. The main problem is that currently, there is no coastal flood early warning system in Jakarta. This research aims to build a model of coastal flood early warning system by taking into account various factors and analyzing the level of public acceptance on the coastal flood early warning system in development in the coastal areas of Jakarta. The method used is the Mix Method (Quantitative and Qualitative). Model development is carried out by considering meteorological, climatological, oceanographic, and hydrological factors and conducting analysis on public acceptance with statistical descriptions, cross - tabulation, and path analysis. The results show the comparison of sea level between the model and the observation data at the time of coastal flooding on 29 May - 8 June 2016, 3 January - 13 January 2017 and 28 November - 8 December 2017 showed a good correlation, namely the respective r values, 0,98, 0,99, and 0,96. The simulation results on 5 December 2017 depict inundation maps with the worst impacts in the Tanjung Priok, Marunda, Kalibaru, and Kamal Muara areas. The public acceptance analysis results show that there is a relationship between knowledge and perceptions of people's attitudes in responding to the coastal flood early warning model. From the results of the study, it can be concluded that the model built in the study can be used as an early warning system in coastal flood mitigation for communities on the coast of Jakarta."