Model Prediksi Soil moisture dengan Integrasi Faktor Iklim Menggunakan Algoritma Deep Learning

Abstract

Indonesia adalah salah satu negara tropis yang memiliki potensi besar dalam sumber daya alam karena didukung oleh variasi kondisi geografis termasuk dataran rendah dan tinggi, intensitas sinar matahari yang konsisten, curah hujan yang hampir merata sepanjang tahun, serta keragaman jenis tanah yang luas. Hal ini membuat Indonesia sangat rentan terhadap perubahan iklim. Salah satu komponen penting yang dipengaruhi oleh perubahan iklim adalah soil moisture yang merupakan salah satu parameter penting dalam sistem tanah-tanaman-atmosfer serta memainkan peran krusial dalam produktivitas pertanian, dinamika karbon-air, dan mitigasi risiko lingkungan. Oleh karena itu, prediksi soil moisture secara akurat sangat diperlukan untuk mendukung pengambilan keputusan di berbagai sektor. Penelitian ini bertujuan untuk Membuat model prediksi soil moisture berbasis deep learning dengan menggunakan algoritma Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU). Penelitian ini juga membandingkan performa model untuk memprediksi soil moisture hingga 10 hari ke depan dengan dua pendekatan yaitu univariat (hanya menggunakan data soil moisture) dan multivariat (mengintegrasikan data curah hujan, temperatur, kelembaban relatif, penyinaran matahari, dan kecepatan angin). Data yang digunakan adalah data harian periode 1 Juli 2019 – 30 Juni 2024 dari Google Earth Engine (soil moisture) dan BMKG (data iklim) untuk 10 stasiun di Provinsi Jawa Timur. Proses penelitian meliputi praproses data (penanganan missing value dan normalisasi), pembagian data, pemodelan menggunakan LSTM dan GRU dengan tuning grid search, serta evaluasi menggunakan metrik MAE, MSE, RMSE, MAPE, dan R². Penelitian ini berhasil membuat model prediksi soil moisture menggunakan LSTM dan GRU. Secara keseluruhan, model GRU multivariat menunjukkan kinerja terbaik dengan nilai R2 0,992; MAE 0,019; MSE 0,002; RMSE 0,039; dan MAPE 9,7% pada hari ke-1. Model ini menunjukkan kestabilan performa bahkan ketika horizon prediksi diperpanjang hingga hari ke-10, menjadikannya pilihan unggulan untuk prediksi jangka pendek hingga menengah. Sementara itu, model LSTM univariat unggul dalam efisiensi waktu pelatihan, dengan rata-rata waktu kurang dari 400 detik. Penelitian ini tidak hanya berhasil membangun model prediksi soil moisture dengan performa tinggi, tetapi juga memberikan bukti bahwa integrasi faktor iklim meningkatkan akurasi prediksi. Hasil ini diharapkan dapat digunakan sebagai dasar pengembangan sistem pendukung keputusan di bidang pertanian, pengelolaan air, dan mitigasi perubahan iklim.