Model Prediksi Data Tinggi Muka Air Lahan Gambut Menggunakan Facebook Prophet dan Gated Recurrent Unit
Date
2023Author
Sianturi, Antonius Anre
Kustiyo, Aziz
Sitanggang, Imas Sukaesih
Metadata
Show full item recordAbstract
Lahan gambut merupakan akumulasi dari bahan organik yang mengandung
karbon lebih dari 12%. Keringnya lahan gambut membuat rentan terjadinya
kebakaran hutan dan lahan (karhutla) yang dapat diidentifikasi melalui tinggi muka
airnya (TMA). Indonesia telah membangun Sistem Pemantau Air Lahan Gambut
(Sipalaga) pada laman https://sipalaga.brg.go.id. Data TMA, curah hujan, dan
kelembaban tanah dari Sipalaga stasiun Rimba Panjang digunakan untuk prediksi
TMA guna deteksi dini dari terjadinya karhutla. Namun, pada data banyak
ditemukan missing value yang harus ditangani. Penelitian ini memiliki tujuan untuk
membangun sekaligus membandingkan model prediksi TMA menggunakan
Facebook Prophet dan Gated Recurrent Unit (GRU). Nilai hilang ditangani
menggunakan teknik interpolasi dan moving average. Model terbaik diperoleh
menggunakan dimensi input multivariat metode GRU dengan imputasi interpolasi
linier. Evaluasi menggunakan R2
, MAE, dan MSE memiliki hasil 0,96469, 0,01135,
dan 0,00023. Prediksi TMA menggunakan hasil penelitian ini diharapkan dapat
membantu sistem peringatan dini karhutla di Indonesia. Peatlands are accumulations of organic matter containing more than 12%
carbon. Dry peatlands make them vulnerable to forest and land fires which can be
identified by their groundwater level (GWL). Indonesia has built a Peatland Water
Monitoring System on the https://sipalaga.brg.go.id page. TMA data, rainfall, and
soil moisture from Sipalaga Rimba Panjang station are used for TMA predictions
to detect early forest and land fires. However, in the data there are many missing
values that must be addressed. This study aims to build and compare the TMA
prediction model using Facebook Prophet and Gated Recurrent Unit (GRU).
Missing values are handled using interpolation techniques and moving averages.
The best model is obtained using multivariate input dimensions GRU method with
linear interpolation imputation. Evaluation using R2, MAE, and MSE has results of
0.96469, 0.01135, and 0.00023. TMA predictions using the results of this study are
expected to help the land and forest fire early warning system in Indonesia.
Collections
- UT - Computer Science [2254]