Implementasi Super Resolution Generative Adversarial Networks (SRGAN) untuk Downscaling data curah hujan CMIP6 di Jawa Barat berbasis data CHRIPS2

Fitri, Saftana (2026) Implementasi Super Resolution Generative Adversarial Networks (SRGAN) untuk Downscaling data curah hujan CMIP6 di Jawa Barat berbasis data CHRIPS2. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text 1_cover.pdf Download (192kB) | Preview
Preview	Text 2_abstrak.pdf Download (232kB) | Preview
Preview	Text 3_skbebasplagiarism.pdf Download (158kB) | Preview
Preview	Text 4_daftarisi.pdf Download (293kB) | Preview
Preview	Text 5_bab1.pdf Download (332kB) | Preview
Preview	Text 6_bab2.pdf Download (549kB) | Preview
Preview	Text 7_bab3.pdf Download (303kB) | Preview
Preview	Text 8_bab4.pdf Download (1MB) | Preview
Preview	Text 9_bab5.pdf Download (199kB) | Preview
Preview	Text 10_daftarpustaka.pdf Download (208kB) | Preview

Abstract

Keterbatasan data General Circulation Models (GCM) yang memiliki resolusi spasial rendah dan tingkat bias yang tinggi terhadap data observasi menjadi tantangan utama dalam analisis iklim regional, sehingga diperlukan proses downscaling untuk meningkatkan kualitas data. Meskipun penelitian terdahulu menunjukkan bahwa Super Resolution Generative Adversarial Network (SRGAN) memiliki performa unggul dibandingkan metode deep learning lainnya dalam tugas downscaling, sebagian besar studi masih menggunakan data low resolution sintetis hasil downsampling. Hal ini menimbulkan ketidakpastian terkait efektivitas SRGAN ketika diterapkan pada data low resolution asli dari GCM. Penelitian ini mengusulkan penerapan SRGAN untuk melakukan statistical downscaling data curah hujan CMIP6 menjadi resolusi tinggi berbasis data observasi CHIRPS2 di wilayah Jawa Barat. Metode yang digunakan mengadaptasi kerangka CRISP-DM yang mencakup tahapan business understanding, data understanding, data preparation, modelling, dan evaluation. Model SRGAN dibangun menggunakan arsitektur Generator berbasis SRResNet dan diskriminator berbasis PatchGAN, serta memanfaatkan data topografi sebagai variabel tambahan. Hasil penelitian menunjukkan peningkatan kinerja signifikan dibandingkan data CMIP6 asli. Pada model CNRM CM6 1, RMSE menurun dari 28.24 menjadi 10.19 mm/hari dan MAE dari 16.57 menjadi 6.39 mm/hari, dengan PCC meningkat dari 0.13 menjadi 0.42. Pada CanESM5, RMSE menurun dari 21.80 menjadi 10.63 mm/hari dan MAE dari 12.53 menjadi 6.90 mm/hari, serta PCC meningkat dari 0.06 menjadi 0.41. Sementara pada IPSL CM6A LR, RMSE menurun dari 18.09 menjadi 10.31 mm/hari dan MAE dari 11.57 menjadi 6.47 mm/hari, dengan PCC meningkat dari 0.07 menjadi 0.40. Dengan demikian, SRGAN terbukti efektif dalam meningkatkan resolusi dan kualitas data curah hujan GCM untuk analisis iklim regional.

Actions (login required)

View Item