<![CDATA[Awan Cumulonimbus (CB) merupakan jenis awan yang dapat mengakibatkan petir, badai, tornado, hujan lebat, turbulensi penerbangan, dan cuaca ekstrim lainnya. Oleh karenanya, prediksi/deteksi keberadaan awan CB yang akurat dan real time akan mendukung kelancaran dan keselamatan banyak aktivitas manusia. Citra infrared (IR) pada satelit Himawari-8 di Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) memiliki informasi mengenai pertumbuhan awan CB. Berbagai studi terkait telah membuktikan bahwa metode yang paling populer dan handal dalam bidang computer vision pada objek awan adalah Convolutional Neural Network (CNN). Untuk menemukan/memperoleh model CNN yang paling efektif dan efisien dalam menangani segmentasi semantik awan CB pada citra IR Himawari-8, maka berbagai pendekatan untuk CNN diuji coba, diantaranya arsitektur jaringan untuk CNN, optimalisasi pelatihan CNN berbasis Gradient Discent Optimizer (GDO), Weighted Class (WC) untuk mereduksi masalah imbalanced class, dan Data Augmentation (DA) untuk memperkaya keragaman data dan mencegah overfitting. Hasil studi menunjukkan bahwa model CNN yang paling efektif adalah dengan arsitektur jaringan U-NET, GDO menggunakan Adaptive Moment Estimation (Adam), dan WC dengan 99,56% global akurasi pengujian, 97,12% rata-rata akurasi pengujian, 94,42% rata-rata IoU, 94,48% akurasi prediksi pada class CB, 99,60% akurasi validasi, 99,61% akurasi pelatihan, 0,1071 loss validasi, dan 0.1072 loss pelatihan. Sedangkan model CNN yang paling efisien adalah dengan arsitektur jaringan Dilated, GDO menggunakan Root Mean Square Propagation (RMSProp), dan WC dengan 24 detik waktu proses/pemodelan, lebih cepat 20 detik namun dengan efektivitas yang tidak jauh berbeda daripada model CNN yang paling efektif.]]>
Copyrights © 2025
