Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Megasains Jurnal Penginderaan Jauh dan Pengolahan Data Citra Digital
Agustiarini, Suci
Unknown Affiliation
Aerospace Engineering Agriculture, Biological Sciences & Forestry Computer Science & IT Control & Systems Engineering Earth & Planetary Sciences Electrical & Electronics Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Potensi Hujan Ekstrem Nusa Tenggara Barat Kaitannya dengan Tropical Cyclone di Samudera Hindia Agustiarini, Suci; Putra, Made Dwi Jendra
Megasains Vol 10 No 2 (2019): Megasains Vol. 10 No. 2 Tahun 2019
Publisher : Stasiun Pemantau Atmosfer Global Bukit Kototabang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46824/megasains.v10i2.162

Abstract

Siklon tropis merupakan suatu sistem tekanan rendah kuat yang terbentuk di atas perairan laut yang hangat di wilayah lintang rendah dan biasanya ditandai hujan lebat di sekitar wilayah yang dilaluinya. Besarnya potensi hujan lebat bahkan ekstrem tentunya berbeda-beda disetiap wilayah. Penelitian ini dilakukan untuk mengetahui wilayah mana saja di sekitar NTB yang berpotensi terjadi hujan lebat hingga ekstrem saat terjadi siklon tropis di sekitar perairan Samudera Hindia bagian barat hingga barat laut, sehingga dapat memberikan peringatan dini sebelum munculnya bencana hidrometeorologi seperti banjir dan longsor sebagai dampak dari siklon tropis tersebut. Data yang digunakan dalam penelitian ini yaitu data curah hujan harian dan data kejadian siklon tropis dalam 10 tahun (2008-2017). Besarnya potensi hujan lebat hingga ekstrem dihitung menggunakan metode komposit seluruh kejadian siklon pada setiap tahapannya yang telah dikategorikan oleh BOM terhadap nilai curah hujan harian. Hasil dari penelitian ini menunjukkan wilayah yang berpotensi cukup besar terjadi hujan ekstrem saat siklon tropis yaitu sebagian kota Mataram dengan peluang mencapai >15%. Saat dalam tahapan depresi tropis dan badai tropis sebagian Lombok barat bagian selatan, Lombok Utara, Lombok Timur bagian utara, Sumbawa bagian tengah, dan Kota Bima juga berpotensi terjadi hujan ekstrem namun dengan peluang yang sangat kecil yaitu <10%.Siklon tropis yang dapat memicu terjadinya hujan dengan kategori lebat sangat berpeluang ketika masih dalam tahapan depresi tropis dengan wilayah terdampak yang hampir merata di seluruh NTB, namun ketika terus berkembang menjadi siklon tropis maka potensialnya akan semakin meningkat mencapai >30% dan diiringi dengan wilayah terdampak yang semakin kecil.
Air Temperature-based Spatial Modeling of Remote Sensing Data Using Machine Learning Approaches: a Systematic Literature Review Sampelan, David; Pratiwi, Anggitya; Baihaqi, Anas; Agustiarini, Suci
Jurnal Penginderaan Jauh dan Pengolahan Data Citra Digital Vol. 19 No. 2 (2025)
Publisher : Institut Teknologi Sepuluh Nopember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/inderaja.v19i2.8450

Abstract

This study presents a systematic review of spatial air temperature modeling based on remote sensing data using machine learning approaches during the period 2016–2025. Using the PRISMA framework, we conducted literature searches in Google Scholar (998 articles) and Scopus (489 articles).. After merging the datasets, removing duplicates, and applying inclusion–exclusion criteria, 12 articles were retained for in-depth analysis. The findings indicate a marked increase in publications since 2021, reflecting growing global interest in integrating remote sensing and machine learning for air temperature estimation. Ensemble algorithms such as Random Forest and XGBoost dominate due to their balance of accuracy and computational efficiency, while temporal deep learning approaches such as LSTM and TCN are emerging as powerful tools for capturing complex atmospheric dynamics. Among remote sensing predictors, Land Surface Temperature (LST) is the most frequently used, often complemented by NDVI, albedo, and elevation to improve spatial accuracy. Geographical context strongly influences methodological performance. XGBoost proves effective in heterogeneous urban areas, Random Forest performs well in mountainous regions, and artificial neural networks demonstrate higher adaptability in extreme environments such as the Greenland ice sheet. Nonetheless, limited ground-based observations and sparse station networks remain key challenges, particularly across tropical and archipelagic regions. This review identifies three major directions for future research: (1) expanding studies to underrepresented tropical regions, (2) leveraging temporal deep learning methods for detecting extreme events, and (3) integrating multisensor data with innovative validation strategies to enhance the robustness and reliability of air temperature modeling.
Co-Authors Baihaqi, Anas Pratiwi, Anggitya Putra, Made Dwi Jendra Sampelan, David