Pemodelan Groundwater Level (GWL) Lahan Gambut Menggunakan Metode Random Forest Regression

Abstract

Lahan gambut tropis Indonesia menyimpan cadangan karbon masif dan berfungsi sebagai regulator air alami, namun degradasi akibat drainase berlebihan dan kebakaran berulang mengancam kestabilan Groundwater Level (GWL) yang menjadi kunci integritas ekosistemnya. Penelitian ini bertujuan mengembangkan dan mengevaluasi model Random Forest Regression untuk memprediksi fluktuasi GWL harian berdasarkan parameter meteorologi pada tiga tipe lahan gambut di Kalimantan Tengah, yaitu lahan terbakar berulang (DB), hutan berkanal (DF), dan hutan alami (UF) periode 2005–2015. Pemodelan dilakukan dengan menguji 15 skenario kombinasi variabel prediktor yang mengintegrasikan radiasi netto, suhu udara, Vapor Pressure Deficit, curah hujan harian, dan Lag curah hujan berdasarkan analisis Cross Correlation Function. Model terbaik (M15) mencapai nilai R² 0,61–0,67 dan Nash-Sutcliffe Efficiency 0,44–0,60 pada fase pengujian, dengan VPD dan radiasi netto sebagai prediktor paling dominan. Lahan terdegradasi merespons curah hujan lebih cepat (lag -1) dibandingkan hutan alami (lag -2). Hasil ini membuktikan bahwa pendekatan machine learning berbasis data meteorologi dapat menjadi alternatif pemantauan GWL yang efisien untuk mendukung mitigasi kebakaran gambut.