Please use this identifier to cite or link to this item: http://repository.ipb.ac.id/handle/123456789/113554
Title: Model Prediksi Temporal Tinggi Muka Air Sebagai Peringatan Dini Karhutla Pada Lahan Gambut Menggunakan LSTM
Authors: Sitanggang, Imas Sukaesih
Syaufina, Lailan
Fajri, Radhiyatul
Issue Date: 12-Aug-2022
Publisher: IPB University
Abstract: Lahan gambut memiliki peranan penting dalam keseimbangan lingkungan global. Pembukaan lahan dengan pembakaran dan perubahan penggunaan lahan dari hutan rawa gambut menjadi non hutan berkontribusi pada degradasi lahan gambut, yang termasuk dalam emisi sektor penggunaan lahan, perubahan penggunaan lahan dan kehutanan atau yang dikenal dengan land use, land use changes and forestry (LULUCF). Pembukaan lahan dengan pembuatan drainase yang tidak terkendalimengakibatkan turunnya tinggi muka air (TMA) lahan gambut yang yang mengindikasikan kekeringan yang sangat rentan terbakar. Kebakaran hutan dan lahan (karhutla) di Indonesia memberikan dampak dan kerugian pada berbagai bidang. Pengukuran dan pemantauan TMA pada lahan gambut merupakan upaya pencegahan bencana karhutla. Sistem Pemantauan Air Lahan Gambut (SIPALAGA) mengukur kadar air tanah, kelembaban tanah, suhu udara, dan curah hujan. Penelitian ini telah berhasil membangun model prediksi temporal tinggi muka air pada lahan gambut pada 12 stasiun SIPALAGA di Provinsi Sumatera Selatan berdasarkan data temporal, TMA, curah hujan, temperatur dan kelembaban tanah menggunakan pendekatan time series dengan menerapkan metode Long short-term memory (LSTM). Penelitian ini terdiri dari beberapa tahapan yaitu praproses data, pembagian data, pembuatan model pada setiap stasiun pengukuran, dan evaluasi model. Preprocessing yang telah dilakukan adalah pembersihan duplikasi, missing value, dan normalisasi. Masukan dari model ini adalah t-1 tinggi muka air, curah hujan, kelembaban tanah, dan suhu, sedangkan keluaran dari model ini adalah prediksi tinggi muka air. Model prediksi TMA terbaik terdapat pada stasiun Muara Medak 2 dengan epoch 50, LSTM layer 50, dropout 0,2, dense 300, LSTM layer 10, dropout 0,4, menghasilkan Korelasi sebesar 0,994, RMSE 0,008, MAE 0,006 dan MAPE 0,009. Model terbaik yang didapatkan sudah dapat digunakan untuk memprediksi TMA pada dataset sensor yang tidak dilatih untuk pemodelan. Penelitian ini menghasilkan model prediksi temporal tinggi muka air sebagai indikator kerawanan karhutla.
URI: http://repository.ipb.ac.id/handle/123456789/113554
Appears in Collections:MT - Mathematics and Natural Science

Files in This Item:
File Description SizeFormat 
Thesis Radhiyatul Fajri_Cover.pdf
  Restricted Access
Cover2.87 MBAdobe PDFView/Open
Thesis Radhiyatul Fajri-watermark.pdf
  Restricted Access
Fulltext2.36 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.