PREDIKSI KEKERINGAN BERBASIS STANDARDIZED PRECIPITATION INDEX (SPI) MENGGUNAKAN MULTI LAYER PERCEPTRON (MLP)

Naufal Ananda; Haryas Subyantara Wicaksana; Bayu Santoso; David Yulizar; Muhammad Agung Prabowo; Suko Prayitno Adi

Authors

Naufal Ananda BMKG
Haryas Subyantara Wicaksana Program Studi Instrumentasi dan Kontrol, Fakultas Teknologi Industri, Institut Teknologi Bandung
Bayu Santoso Program Studi Instrumentasi dan Kontrol, Fakultas Teknologi Industri, Institut Teknologi Bandung
David Yulizar Balai Besar Meteorologi Klimatologi dan Geofisika Wilayah II
Muhammad Agung Prabowo Balai Besar Meteorologi Klimatologi dan Geofisika Wilayah II
Suko Prayitno Adi Sekolah Tinggi Meteorologi Klimatologi dan Geofisika

Keywords:

Standardized Precipitation Index, Kekeringan, Multi Layer Perceptron, FY-4A

Abstract

Kejadian kekeringan memiliki dampak terhadap berbagai seperti sektor ekonomi, pertanian, lingkungan dan social. Dampak kekeringan perlu diminimalisir dengan merancang suatu siste prediksi kekeringan, hal ini merupakan upaya penyebaran informasi peringatan dini berdasarkan aspek iklim dan hidrologi. Prediksi kekeringan menggunakan model algoritma Multi Layer Perceptron (MLP) untuk memprediksi kekeringan berdasarkan Standardized Precipitation Index (SPI) untuk rentang waktu 1 dan 3 bulan. SPI adalah salah satu indeks kekeringan yang dihitung melalui analisis curah hujan. Prediksi dilakukan menggunakan data curah hujan yang diperoleh dari satelit FY-4A QPE,kemudian diolah dalam akumulasi curah hujan bulanan pada peridoe 2019-2020. Data FY-4A QPE dikoreksi berdasarkan data pengamatan curah hujan pada penakar hujan observasi. Data FY-4A QPE yang telah terkoreksi digunakan untuk memprediksi kekeringan menggunakan indek SPI1(1 Bulan) dan SPI3 (3 Bulan). SPI1 menunjukkan adanya fluktuasi dan nilai NSE yang sangat keci bahkan minus, sedangkan SPI3 menunjukkan model yang mampu mengikuti flkuktuasi puncak dan lebah dari nilai yang sebenarnya serta adanya peningkatan nilai NSE dan penurunan nilai RMSE. Pemodelan kekeringan menggunakan MLP berhasil diimplementasikan dan menunjukkan bahwa seoiring meningkatnya rentang wakti maka performa prediksi SPI semakin baik.

References

Rohli dan Vega. (2018). Climatology. Massachusetts : Jones & Bartlett Learning.

Surya, I. S., & Suwetha, I. G. N. (2021). Edukasi Bencana Kekeringan dan Kesiapsiagaan Warga Masyarakat Dalam Menanggulangi Bencana Di Kabupaten Lombok Tengah Provinsi Nusa Tenggara Barat. Jurnal Pemerintahan Dan Keamanan Publik (JP Dan KP), 28–44.

Badan Penanggulangan Bencanda Daerah Sumatera Selatan.(2021).Rencana Penanggulangan Bencana (RPB) Provinsi Sumatera Selatan 2022-2026.

World Meteorological Organization dan Global Water Partnership. (2016). Handbook of Drought Indicators and Indices (WMO-No.1173). Geneva: WMO.

Gao, Y., Guan, J., Zhang, F., Wang, X., & Long, Z. (2022). Attention-Unet-Based Near-Real-Time Precipitation Estimation from Fengyun-4A Satellite Imageries. Remote Sensing, 14(12), 2925.

McKee, T.B., Doesken, N.J., Kleist, J., 1995: Drought monitoring with multiple time scales. Ninth Conference on Applied Climatology, American Meteorological Society, Jan15-20, 1995, Dallas TX, pp. 233-236.

Tsakiris, G., Vangelis, H., 2004. Towards a drought watch system based on spatial SPI. Water Resour. Manage. 18 (1), 1–12.

Khan, M. M. H., Muhammad, N. S., & El-Shafie, A. (2020). Wavelet based hybrid ANN-ARIMA models for meteorological drought forecasting. Journal of Hydrology, 590, 125380.

Deo, R. C., & Şahin, M. (2015). Application of the artificial neural network model for prediction of monthly standardized precipitation and evapotranspiration index using hydrometeorological parameters and climate indices in eastern Australia. Atmospheric research, 161, 65-81.

Fung, K. F., Huang, Y. F., Koo, C. H., & Soh, Y. W. (2020). Drought forecasting: A review of modelling approaches 2007–2017. Journal of Water and Climate Change, 11(3), 771-799.

Jalalkamali, A., Moradi, M., & Moradi, N. (2015). Application of several artificial intelligence models and ARIMAX model for forecasting drought using the Standardized Precipitation Index. International journal of environmental science and technology, 12, 1201-1210.

Xu, D., Zhang, Q., Ding, Y., & Zhang, D. (2022). Application of a hybrid ARIMA-LSTM model based on the SPEI for drought forecasting. Environmental Science and Pollution Research, 29(3), 4128-4144.

Fiebrich, C. A., Morgan, Y. R., Mccombs, A. G., Hall, P. K., & Mcpherson, R. A. (2010). Quality assurance procedures for mesoscale meteorological data. Journal of Atmospheric and Oceanic Technology, 27(10), 1565–1582. https://doi.org/10.1175/2010JTECHA1433.1.

Kubat, M. (2017). An Introduction to Machine Learning. In An Introduction to Machine Learning. Springer International Publishing. https://doi.org/10.1007/978-3-319-63913-0.