Prediksi Ketinggian Muka Air Tanah pada Gambut Tropis dengan Machine Learning berbasis Penginderaan Jauh : Studi Kasus Kawasan Hidrologis Gambut Kahayan Sebangau
MUHAMMAD AZHARUDDIN, Wirastuti Widyatmanti, S.Si., Ph.D
2024 | Skripsi | KARTOGRAFI DAN PENGINDRAAN JAUH
Ekosistem
gambut berperan penting dalam menyimpan karbon dan mengatur siklus air
regional. Penurunan tinggi muka air tanah pada gambut dapat memicu kebakaran
dan pelepasan karbon ke atmosfer, sehingga monitoring Tinggi Muka Air (TMA)
secara berkala sangat penting. Daerah luas dan kesulitan akses merupakan
hambatan sehingga penggunaan penginderaan jauh bisa menjadi pendekatan efisien
dalam memantau TMA. Selain itu, data penginderaan jauh yang besar menyebabkan
proses yang lama sehingga perlu menggunakan machine learning sebagai
alat analisis. Penelitian ini bertujuan untuk memetakan hasil prediksi dan
persebaran spasial tinggi muka air tanah pada gambut di Kesatuan Hidrologsi
Gambut (KHG) Sungai Kahayan dan Sebangau, mengidentifikasi korelasi setiap
variabel fisik dan variabel fisik paling signifikan dalam prediksi TMA. Data
yang digunakan adalah data elevasi yang didapatkan dari citra radar
Sentinel-1A, NDWI didapatkan dari Sentinel-2A, curah hujan didapatkan dari
BMKG, dan jarak dari kanal didapatkan dari BRGM,. Analisis menggunakan model
Random Forest dengan analisis Cross Validation karena keterbatasan data. Hasil
menunjukkan bahwa hasil prediksi tinggi muka air tanah pada gambut di KHG
Sungai Kahayan-Sebangau relatif aman yaitu antara -0,35 hingga 0,22 yang masih
batas aman tidak berisiko kebakaran. Model Random Forest menunjukkan kinerja
baik dengan R² sebesar 0.513, MAE sebesar 0.120, dan RMSE sebesar 0.148. Curah
hujan merupakan variabel paling signifikan dengan nilai importance 100, diikuti
oleh VV (9,93), dan jarak dari kanal (1,922). NDWI tidak signifikan.
Peat
ecosystems play an important role in storing carbon and regulating the regional
water cycle. A drop in the water table on peat can lead to fires and the
release of carbon into the atmosphere, so regular monitoring of water table
height (WTH) is essential. Large areas and access difficulties are barriers, so
the use of remote sensing can be an efficient approach to monitoring WTH. In
addition, the large amount of remote sensing data makes it a lengthy process
that requires the use of machine learning as an analysis tool. This study aims
to map the predicted results and spatial distribution of groundwater levels on
peat in the Peat Hydrology Unit (PHU) of the Kahayan and Sebanga Rivers,
identify correlation for every phisical significant and identify the most
significant physical variables in predicting WTH. The data used are elevation
data obtained from Sentinel-1A radar imagery, NDWI obtained from Sentinel-2A,
rainfall obtained from BMKG, and distance from canals obtained from BRGM,. The
analysis uses the Random Forest model with Cross Validation analysis due to
data limitations. The results showed that the predicted water table on peat in
the PHU Kahayan-Sebangau River is relatifly safe, between -0.35 and 0.22, which
is still a safe limit not at risk of fire. The Random Forest model performed
well with R² of 0.513, MAE of 0.120, and RMSE of 0.148. Rainfall was the most
significant variable with an importance value of 100,000, followed by VV (9,93),
and distance from the canal (1,922). NDWI was not significant.
Kata Kunci : Tinggi Muka Air, Random Forest, Penginderaan Jauh