Pengembangan Model Praproses Data dan Model Prediksi Tinggi Muka Air Tanah Gambut dengan Algoritme LSTM

Abstract

Gambut Indonesia dengan luas 13,43 juta hektar merupakan ekosistem basah yang sangat penting yang perlu dikelola dengan baik. Parameter yang sangat penting dalam pengelolaan gambut adalah tinggi muka air (TMA) sehingga informasi secara waktu nyata dengan sistem telemetri maupun pengukuran langsung di lapangan wajib dilakukan. Pengukuran telemetri TMA dilakukan dengan memasang alat ukur TMA berupa sensor. Data TMA gambut hasil perekaman sensor rentan terhadap missing value dan outlier. Masalah ini terjadi akibat kesalahan interpretasi sensor, kerusakan alat, kegagalan perekaman data, dan pengiriman data. Penelitian ini mengusulkan modul praproses data untuk mengatasi masalah missing value dengan enam pendekatan imputasi berdasarkan interpolasi dan Moving Average (MA), menangani outlier dengan Median Absolute Deviation (MAD), dan mengembangkan model prediksi TMA dengan LSTM. Model LSTM dirancang dengan dua skenario: satu layer LSTM (Skenario 1) dan dua layer LSTM (Skenario 2); dua jenis dimensi input (univariat dan multivariat); dan enam dataset hasil praproses. Data TMA yang digunakan berasal dari sistem telemetri dari web SIPALAGA periode 2019 hingga 2021. Atribut data meliputi TMA, curah hujan, dan kelembaban tanah. Tahap penelitian dimulai dengan pembuatan modul praproses data kemudian pembuatan model dan evaluasi. Ketersediaan data TMA tiap jam berkisar 76-93%, kecuali data pukul 06.00 sebesar 6%. Ditemukan 17% mengandung missing value. Kejadian missing value sebanyak 1135 kali dan jeda terpanjang dengan durasi 10 hari. Perbaikan missing value menghasilkan enam dataset baru yang lengkap. Selanjutnya keenam dataset dilakukan deteksi dan pembersihan data. Penanganan outlier menunjukkan 2% data TMA dan kelembapan tanah serta 14% data curah hujan terdeteksi sebagai outlier. Hasil prediksi TMA dengan metode LSTM dengan 24 kombinasi skenario menunjukkan model kumulatif terbaik untuk aspek dataset yaitu Dataset Simple Moving Average dan Dataset Linear Moving Average; aspek dimensi input multivariat; dan aspek arsitektur LSTM Model lengkap. Skor terbaik R2 0,96388; MAE 0,01159; dan MSE 0,00024 didapatkan dari kombinasi Dataset Simple Moving Average, dimensi input univariat dan arsitektur LSTM Model Skenario 2. Hasil penelitian ini diharapkan dapat memberikan informasi prediksi TMA gambut yang akurat dengan jangka waktu bulanan untuk menyusun strategi pencegahan kebakaran lahan dan pengelolaan ekosistem gambut.

Indonesia's 13.43 million hectares of peat is a very important wet ecosystem. A very important parameter in peat management is the groundwater level (TMA), so real-time information using a telemetry system or direct measurement in the field is mandatory. Telemetry measurements are carried out by installing a groundwater level measuring instrument in the form of a sensor. Peat TMA data recorded by sensors are prone to missing values and outliers. These problems occur due to sensor misinterpretation, equipment damage, data recording failure, and data transmission. This study proposes a data preprocessing module with interpolation and moving average methods to overcome the missing value problem; the Median Absolute Deviation (MAD) method to overcome the outlier problem, and develop a long-term TMA prediction model using LSTM. The LSTM model is designed with two scenarios: one layer LSTM (Scenario 1) and two layers LSTM (Scenario 2); two types of dimensions (univariate and multivariate); and six pre-processed datasets. The TMA data used in this study come from the telemetry system from the SIPALAGA web for the period 2019 to 2021. The attributes of this data include measurement time, groundwater level, rainfall, and soil moisture. The study phase consists of several stages, namely the creation of data preprocessing modules, model building, and model evaluation. The availability of TMA data per hour ranges from 76-93%, except for data at 06.00 which is 6%. It was found that 17% contained missing values. Missing value events occur 1135 times and the longest data discontinuity was 10 days. The missing values handling resulted in six complete new datasets. Outlier detection shows 2% of TMA and soil moisture data and 14% of rainfall data were detected as outliers. The results of TMA prediction with the LSTM method with 24 scenario combinations show the best cumulative model for the dataset aspects, namely Simple Moving Average Dataset and Linear Moving Average Dataset; aspects of multivariate input dimensions; and aspects of LSTM Model 2 architecture. The best score R2 0.96388; MAE 0.01159; and MSE 0.00024 were obtained from the combination of the Simple Moving Average Dataset, univariate input dimension and LSTM Model 2 architecture. The results of this study are expected to provide accurate peat water level information with a monthly time period that is useful for developing fire prevention strategies in peatlands.