Uji Perbandingan Metode Estimasi Curah Hujan Menggunakan Satelit Himawari: Metode Konvensional dan Machine Learning

Abstract

Salah satu tantangan yang sering dihadapi untuk mendapatkan estimasi curah hujan adalah keterbatasan pada data dengan resolusi spasial dan temporal yang tinggi sehingga penginderaan jauh hadir untuk mengatasi masalah tersebut. Pada penelitian ini, data penginderaan jauh telah dimanfaatkan dalam beberapa metode estimasi curah hujan konvensional, seperti Auto Estimator (AE), Insat Multispectral Rainfall Algorithm (IMSRA), Nonlinear Inversion (NI), dan Nonlinear Relation (NR). Tujuan pertama penelitian ini adalah untuk membandingkan keakuratan dari empat metode konvensional untuk menentukan model yang paling sesuai di wilayah Pulau Bali. Kemudian, tujuan kedua dari penelitian ini yaitu pengembangan metode estimasi curah hujan dengan memanfaatkan data dari satelit geostasioner terbaru, Himawari-8/9, dan data curah hujan permukaan dengan menggunakan salah satu algoritma machine learning (ML) yaitu Random Forest (RF). Proses pelatihan model RF dilakukan secara bertahap yaitu (i) penggambaran daerah hujan (ii) pengklasifikasian kelas hujan dan (iii) estimasi curah hujan. Hasil analisis kuantitatif pertama pada penelitian ini diketahui bahwa IMSRA merupakan metode terbaik yang dapat diterapkan untuk estimasi curah hujan di wilayah Pulau Bali dengan nilai rata-rata eror absolut dibawah 1 mm. Pada pengembangan metode yang memanfaatkan pendekatan ML memperoleh hasil yang lebih baik dibandingkan dengan model IMSRA dengan nilai Mean Absolute Error (MAE) sebesar 0,31 yang mengalami perbaikan dibandingkan dengan nilai MAE sebesar 0,94 pada model IMSRA.