Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dari 13 sungai yang melalui Jakarta, Sungai Ciliwung adalah sungai yang paling berpengaruh dengan memberikan kontribusi sebesar 24% terhadap banjir yang terjadi di Jakarta (FORDA-MOF, 2016). Prediksi banjir yang akurat sangat penting dalam pengelolaan sumber daya air dan mitigasi bencana (Sättele et al., 2015). Dalam memprediksi banjir, diperlukan suatu model hidrologi, salah satunya adalah CINECAR. Model hidrologi CINECAR ini dikembangkan untuk memodelkan banjir bandang (Gaume et al., 2004)dan membutuhkan data yang detail dengan skala cakupan lebih spasial. Di sisi lain, DAS Ciliwung memiliki data spasial yang terbatas. Penelitian ini berfokus kepada implementasi model hidrologi CINECAR dalam simulasi debit banjir dengan hujan rencana dan mengetahui performa kesesuaian debit hasil model dengan debit aktual di Pintu Air Manggarai. Data yang digunakan adalah data sekunder berupa curah hujan di beberapa stasiun hujan dan data tinggi muka air. Debit aktual ini didapatkan dari tinggi muka air dengan rating curve di Pintu Air Manggarai dan di Bendung Katulampa. Penentuan keakuratan simulasi dilakukan dengan menggunakan Nash-Sutcliffe Efficiency (NSE). Nilai NSE model yang didapat setelah dilakukan penyesuaian CN adalah 0,36 di titik Pintu Air Manggarai dan 0,78 di titik Bendung Katulampa. Namun setelah eliminasi tanggal-tanggal dengan curah hujan yang tidak lebat, didapatkan nilai NSE-nya menjadi 0,83. Hal ini menunjukkan bahwa performa model hidrologi CINECAR baik untuk memprediksi debit yang besar.

---

Of the 13 rivers that pass through Jakarta, the Ciliwung River is the most influential, contributing 24% to the flooding that occurs in Jakarta (FORDA-MOF, 2016). Accurate flood prediction is essential in water resources management and disaster mitigation (Sättele et al., 2015). In predicting floods, a hydrological model is needed, one of which is CINECAR. The CINECAR hydrological model was developed to model flash floods (Gaume et al., 2004)and requires detailed data with a more spatial scale of coverage. On the other hand, the Ciliwung watershed has limited spatial data. This research focuses on the implementation of the CINECAR hydrological model in simulating flood discharge with planned rainfall and knowing the performance of the modeled discharge with the actual discharge at the Manggarai Water Gate. The data used are rainfall intensity at several rain gauges and water level data. The actual discharge is obtained from the water level with the rating curve at the Manggarai Water Gate and Katulampa Weir. Determination of simulation accuracy is done using Nash-Sutcliffe Efficiency (NSE). The NSE value of the model obtained after CN adjustment was 0,36 for Manggarai Water Gate and 0,78 for Katulampa Weir. However, after the elimination of dates with less heavy rainfall, the NSE value was found to be 0,83. This shows that the performance of the CINECAR hydrological model is good for predicting large discharge."

"Salah satu permasalahan yang banyak terjadi di Indonesia adalah Banjir. Pemberitahuan dini terhadap bencana banjir diharapkan dapat mengurangi kerugian yang terjadi. Pemberitahuan dini terhadap banjir dapat dilakukan dengan membuat sistem tertanam yang melakukan monitoring terhadap kondisi sekitar yang memberi data secara berkala. Pada skripsi ini dibahas mengenai rancang bangun sistem tertanam untuk melakukan prediksi terhadap banjir. Sistem yang dibuat menggunakan 2 perangkat yaitu sensor node darat yang dibangun menggunakan mikrokontroller atmega328p yang dilengkapi dengan sensor suhu, kelembaban, tekanan, hujan, modul GSM, modul ZigBee dan sensor node sungai yang dibangun menggunakan mikrokontroller atmega328p yang dilengkapi dengan sensor ketinggian air, kecepatan air, modul ZigBee. Kedua perangkat tersebut dilengkapi power distribution dengan switch FET sehingga power pada seluruh modul dapat dimatikan dengan tujuan melakukan penghematan konsumsi daya. Kedua perangkat berhubungan secara local menggunakan perangkat ZigBee yang bernama MRF24J40MA. Salah satu perangkat dilengkapi dengan GSM Sim800L untuk berhubungan dengan webserver. Data yang dikumpulkan oleh perangkat tersebut dikumpulkan pada sebuah webserver yang kemudian diolah dan ditampilkan dalam bentuk Graphical Information System. Hasil dari penelitian ini menunjukkan bahwa performa dari switch FET pada power distribution tidak optimal pada sensor node darat dengan waktu aktif yang diprediksi adalah 14 jam dan pengiriman ke server yang tidak konsisten. Sedangkan pada sensor node sungai switch FET pada power distribution cukup optimal dengan prediksi waktu aktif 25 jam dengan pengiriman ke sensor node darat yang konsisten. Selain itu jarak antara sensor node darat dan sensor node sungai yang optimal adalah

---

One of the most common problems in Indonesia is the Flood. Early notice of the flood disaster is expected to reduce the losses incurred. Early flood notification can be done by creating an embedded system that monitors the surrounding conditions that provide data on a regular basis. In this thesis discussed the design of embedded systems to predict the flood. The system is built using 2 devices ground node sensors built using atmega328p microcontroller equipped with temperature sensor, humidity, pressure, rain, GSM module, ZigBee module and river node sensor built using atmega328p microcontroller equipped with water level sensor, water speed, ZigBee module. Both devices are equipped with a power distribution equipped with FET switches so that power on all modules can be turned off for the purpose of saving power consumption. Both devices are connected locally using a ZigBee device called MRF24J40MA. One device comes with GSM Sim800L to connect with the webserver. The data collected by these devices is sent to a webserver which is then processed and displayed in the form of a Graphical Information System. The results of this study indicate that the performance of FET switches on power distribution is not optimal on ground node sensors with the predicted active time is 14 hours with inconsistent delivery to servers. While at river node sensor, the FET switch on the power distribution is optimal with a prediction of 25 hours with consistent delivery to a ground node sensor. In addition, the optimal distance between the ground node sensor and the river node sensor and the river node sensor is <70m with a 90% delivery percentage."

"Banjir di Jakarta merupakan masalah yang kompleks yang dipengaruhi oleh kombinasi faktor geografis, sosial, ekonomi, dan lingkungan. Studi ini berfokus pada prediksi banjir dengan membandingkan data stasiun darat Automatic Rain Gauge (ARG) dan data satelit Climate Hazards Group InfraRed Precipitation (CHIRPS) menggunakan Adaptive Neurofuzzy Inference System (ANFIS) yang terintegrasi dengan Principal Component Analysis (PCA). Dataset mencakup pengukuran curah hujan dari ARG dan CHIRPS, serta data ketinggian air dari tahun 2014 hingga 2020. ARG menyediakan data curah hujan lokal yang akurat, sementara CHIRPS menawarkan cakupan curah hujan regional yang luas. Teknik praproses seperti imputasi rata-rata, normalisasi data, dan metode interquartile range (IQR) digunakan untuk meningkatkan kualitas data. Model ANFIS-PCA, yang mengintegrasikan logika fuzzy dan pelatihan jaringan saraf tiruan, diterapkan dengan pembagian data 80:20 untuk pelatihan dan validasi. Ketika dilatih dengan data stasiun darat ARG dan pengukuran ketinggian air, model ANFIS-PCA menunjukkan akurasi yang superior, dengan root mean square error (RMSE) sebesar 0,13, mean absolute error (MAE) sebesar 0,12, dan R² sebesar 0,82. Sebaliknya, model ANFIS tanpa PCA menghasilkan kesalahan yang lebih tinggi, dengan RMSE 6,3, MAE 6,2, dan R² 0,74. Pelatihan dengan data satelit CHIRPS menghasilkan kesalahan yang jauh lebih tinggi (RMSE 30,14, MAE 24,05, R² 0,42). Sedangkan hasil ANFIS – PCA menghasilkan akurasi yang lebih bagus (RMSE 4,8, MAE 2,0 dan R² 0,55) . Hasil penelitian menunjukkan bahwa ANFIS-PCA memiliki kinerja yang lebih baik dibandingkan model ANFIS tanpa PCA, terutama ketika dilatih dengan data dari stasiun darat. Integrasi PCA berhasil mengurangi dimensi data, meningkatkan efisiensi komputasi dan akurasi model. Selain itu hasil ini juga menegaskan keunggulan pengukuran curah hujan data ground station untuk prediksi banjir, mempunyai angka presisi yang lebih tinggi dan kerentanan yang lebih rendah terhadap kesalahan dibandingkan data satelit. Sementara itu data satelit CHIRPS menawarkan cakupan spasial yang lebih luas.

---

Flooding in Jakarta is a complex issue influenced by a combination of geographical, social, economic, and environmental factors. This study focuses on flood prediction by comparing ground station data from Automatic Rain Gauges (ARG) and satellite data from the Climate Hazards Group InfraRed Precipitation (CHIRPS) using the Adaptive Neuro-Fuzzy Inference System (ANFIS) integrated with Principal Component Analysis (PCA). The dataset includes rainfall measurements from ARG and CHIRPS, as well as water level data from 2014 to 2020. ARG provides accurate local rainfall data, while CHIRPS offers broad regional precipitation coverage. Preprocessing techniques such as mean imputation, data normalization, and the interquartile range (IQR) method were employed to enhance data quality.

The ANFIS-PCA model, which integrates fuzzy logic and neural network training, was implemented using an 80:20 data split for training and validation. When trained with ARG ground station data and water level measurements, the ANFIS-PCA model demonstrated superior accuracy, achieving a root mean square error (RMSE) of 0.13, mean absolute error (MAE) of 0.12, and R² of 0.82. In contrast, the ANFIS model without PCA yielded higher errors, with RMSE of 6.3, MAE of 6.2, and R² of 0.74. Training with CHIRPS satellite data resulted in significantly higher errors (RMSE 30.14, MAE 24.05, R² 0.42). Meanwhile, the ANFIS-PCA model trained on combined datasets showed improved performance, achieving RMSE of 4.8, MAE of 2.0, and R² of 0.55.

The results indicate that the ANFIS-PCA model outperforms the ANFIS model without PCA, particularly when trained with ground station data. The integration of PCA successfully reduced data dimensionality, improving computational efficiency and model accuracy. Furthermore, the findings reaffirm the superiority of ground-based measurements for flood prediction due to their higher precision and lower susceptibility to errors compared to satellite-derived data, while CHIRPS satellite data offers wider spatial coverage."