Pengukuran parameter gelombang merupakan kegiatan yang umum dilakukan guna memperoleh keadaan laut. Mengetahui keadaan laut memberikan banyak manfaat untuk menjaga kelangsungan pesisir pantai dari sedimentasi dan erosi. Terutama bagi pelabuhan, pengukuran parameter gelombang ini bermanfaat untuk memonitor secara teratur tingkat erosi dan sedimentasi sehingga kapal tidak kandas ketika menuju pelabuhan. Secara umum tidak ada patokan khusus terkait sedimentasi level sekian rawan atau tidak karena pihak pelabuhan dapat melakukan prosed dredging (pengerukan) untuk memperdalam daerah yang terjadi pendangkalan.
Sejauh ini monitoring on-site untuk mengetahui pendangkalan, adalah menggunakan echosounder untuk mengukur langsung kedalaman laut. Cara ini cukup lama untuk luas area yang cukup besar, dan butuh keadaan gelombang laut yang tenang, Metode lain yang mampu menjadi alternatif adalah menggunakan citra radar. Metode ini cukup reliable dikarenakan radar akan mengumpulkan data sebanyak luas sapuan dan real-time.
Beberapa metode analisis citra radar sudah dikembangkan berbagai peneliti di pelabuhan di Eropa dan Amerika dan sudah dibuat dalam bentuk produk radar yang sudah dipakai untuk melakukan monitoring gelombang laut (Bell, 1999; Holman et al., 2013; Holman and Stanley, 2013; Hessner et al., 1999).
Di Indonesia penelitian semacam ini baru pertama kali dilakukan dan yang menghasilkan produk purwarupa adalah penelitian (Subasita et al., 2022). Di dalam penelitian tersebut teknik yang digunakan masih sangat heuristik namun cukup memberikan hasil yang akurat dengan pengukuran langsung di daerah pantai dekat dengan Pelabuhan Tanjung AdiKarto, Yogyakarta.
Secara khusus penelitian ini akan meng-improve algoritma inversi batimetri tersebut dengan proses inferensi dari model deep learning yang akan dikembangkan oleh penulis yang hanya memakan waktu beberapa detik. Sejauh ini penelitian yang serupa untuk mendapatkan batimetri dari rekaman gambar gelombang telah dengan menggunakan model deep learning telah dilakukan oleh (Collins et al., 2020). Penelitian ini selain meng-improve waktu inferensi citra batimetri juga akan meng-eksplorasi model deep learning yang interpretable. Model deep learning di dalam (Collins et al., 2020) tidaklah membahas hal ini.
Di penelitian ini yang didanai oleh LPPM ITK dengan skema pendanaan PDM (Penelitian Dosen Muda) di tahun 2023, telah dilakukan pengembangan model deep learning yang digunakan untuk melakukan inversi batimetri dari data tinggi gelombang. Data tinggi gelombang ini merupakan data simulasi yang dibangkitkan dari spektrum gelombang JONSWAP yang diharapkan memiliki bentuk dan pola data seperti data hasil pengukuran tinggi gelombang dari hasil pengukuran sea clutter X-band radar. Model terdiri dari dua bagian besar, wavelength block dan angular frequency block.
Dari data tinggi gelombang yang berupa citra dua dimensi panjang dan waktu, dilakukan pemrosesan untuk mendapatkan panjang gelombang melalui wavelength block dan frekuensi sudut dari angular frequency block di dalam model deep learning yang dibuat. Menggunakan persamaan relasi dispersi antara panjang gelombang, periode dan kedalaman air laut, didapatkan kedalaman laut dari dua keluaran wavelength block dan angular frequency block. Kesesuaian dan interpretasi dari model dilihat dari seberapa dekat estimasi panjang gelombang dan frekuensi sudut dengan kurva dispersi. Didapatkan bahwa terdapat hasil cukup baik untuk estimasi kedalaman dari 5 hingga 35 meter.
Dari hasil pembagian validasi dan testing didapatkan deviasi ralat (rata-rata, standar deviasi) sebesar (-0.0018, 0.49) m dan (-0.0046, 0.51) m berturut-turut. Sedangkan untuk pengujian pada data batimetri baru yang belum pernah “dilihat” oleh model, mengacu pada (Trulsen et al. 2020) didapatkan deviasi ralat (-3.85, 7.46) m. Nilai ini cukup besar mengingat belum diterapkannya sliding window dan interpolasi dari tiap jendela estimasi yang akan dikerjakan pada tahap berikutnya. Tahapan untuk implementasi estimasi citra 2HD (two-horizontal dimension) akan dikerjakan pada penelitian berikutnya.
Beberapa kendala terkait permasalahan teknis dan implementasi kode yang cukup challenging membuat penelitian ini cukup memakan waktu. Solusi selanjutnya untuk mengatasi masalah ini adalah dengan melakukan investasi lebih banyak waktu untuk membangun struktur kode yang lebih rapi dan scalable sehingga lebih mudah untuk dilakukan beberapa test cases untuk mengamati perilaku model sudah sesuai dengan asumsi yang telah dipilih.
Pengembangan lebih lanjut untuk practical case dengan gelombang 2 HD (horizontal dimension) yang mewakili pergerakan gelombang laut disekitar pantai. Model yang dikembangkan untuk 1 HD ini cukup akurat untuk data yang “tidak pernah” terlihat oleh model. Keberhasilan model estimasi kedalaman akan mempercepat proses perhitungan dibanding dengan metode konvensional dan model deep learning yang tidak mengikutsertakan relasi dispersi di dalam model deep learning yang dibangun.