Model Rekonstruksi Data Temporal Tinggi Muka Air Lahan Gambut

Abstract

Lahan gambut adalah akumulasi tumbuhan mati yang terdekomposisi penuh selama lebih dari ribuan tahun dan dapat menyimpan karbon, memproduksi oksigen serta mengatur tingkat air. Tinggi muka air (TMA) menjadi indikator penting dalam peringatan kebakaran lahan dan hutan (karhutla). Sistem Pemantau Air Lahan Gambut (Sipalaga) sudah menjadi sistem yang digunakan untuk merekam TMA kelembaban gambut, dan tingkat curah hujan. Penelitian ini menggunakan data Sipalaga berstasiun di Rimba Panjang. Namun data yang digunakan masih mengandungi banyak missing value yang harus ditangani. Penelitian ini berfokus untuk membandingkan metode rekonstruksi data TMA lahan gambut menggunakan Last Observation Carried Forward, Next Observation Carried Forward, Interpolation, Weighted Moving Average, Kalman filter, K-nearest Neighbor Imputation, dan Simple Averaging Ensemble. Data yang sudah direkonstruksi dievaluasi menggunakan Long-Short Term Memory. Hasil terbaik yang diperoleh adalah menggunakan Stacked LSTM dengan unit 64 dan 128, dengan metode Spline Interpolation menghasilkan MSE 0.00012, MAE 0.00822 dan R2 0.95316. Hasil penelitian ini diharapkan dapat membantu prediksi TMA lahan gambut sebagai peringatan dini karhutla di Indonesia.

Peatlands are accumulations of dead plants that have fully decomposed over thousands of years that can store carbon, produce oxygen and regulate water levels. The groundwater level (GWL) is an important indicator for forest fires. The Sistem Pemantau Air Lahan Gambut (Sipalaga) has become a system used to record GWL, peatland moisture, and rainfall levels at peatland locations. This study will use data from Sipalaga stationed at Rimba Panjang. However, the data used still contains many missing values that must be addressed. This research will focus on comparing methods of reconstructing peatlands’ GWA data using Last Observation Carried Forward, Next Observation Carried Forward, Weighted Moving Average, Interpolation, Kalman filter, K-nearest Neighbor Imputation and Simple Averaging Ensemble. Reconstructed data will be evaluated with Long-Short Term Memory predictions. The best model made in this study is using Stacked LSTM with 64 and 128 units using Spline Interpolation resulting MSE 0.00012, MAE 0.00822 dan R2 0.95316. The results of this study are expected to help predict the TMA of peatlands as an early warning of forest and land fires in Indonesia.