Perpustakaan Digital ITB

Data time series koordinat Global Navigation Satellite System (GNSS) merupakan sumber informasi penting bagi berbagai analisis geodetik jangka panjang, termasuk pemantauan deformasi, penurunan muka tanah, dan realisasi kerangka referensi nasional. Namun, keberadaan gap data akibat kerusakan peralatan atau gangguan sinyal seringkali tidak terhindarkan. Gap data yang panjang dapat mengaburkan rekonstruksi sinyal musiman dan membias estimasi laju pergeseran, terutama pada time series berdurasi pendek. Akurasi metode interpolasi konvensional seperti cubic spline menurun tajam seiring bertambahnya durasi gap karena hanya mengandalkan korelasi temporal intrinsik pada stasiun yang menjadi target interpolasi. Machine learning (ML) menawarkan pendekatan alternatif yang mampu memanfaatkan korelasi spasio-temporal antar-stasiun serta memungkinkan integrasi variabel eksternal untuk memperkaya informasi pada proses prediksi. Penelitian ini melakukan interpolasi time series koordinat GNSS pada 58 stasiun Ina-CORS di Pulau Jawa dan Madura periode 2020–2024 menggunakan algoritma Random Forest (RF) yang mengintegrasikan tiga kelompok fitur input, yaitu fitur spasial (nilai pergeseran dari 25 stasiun tetangga yang paling berkorelasi dengan stasiun target), fitur temporal (encoding waktu siklik untuk menangkap sinyal musiman), dan fitur geofisika eksternal berupa variabel NTL (Non-Tidal Loading), ZWD (Zenith Wet Delay), dan WVP (Water Vapour Pressure). Ketiga kelompok fitur dirancang untuk menangkap pola sinyal pergeseran GNSS yang berbeda-beda karakteristiknya dan bersifat non-linear. Performa interpolasi RF diuji pada enam durasi gap (1, 7, 30, 60, 120, dan 200 hari) menggunakan strategi validasi leave-gap-out di delapan skenario integrasi variabel eksternal. Hasil penelitian menunjukkan bahwa RF secara signifikan mengungguli cubic spline di seluruh durasi gap dan komponen koordinat (uji Wilcoxon, p<0,05), dengan MAE rata-rata 1,6 mm (dN), 2,3 mm (dE), dan 7,3 mm (dU). Penambahan variabel eksternal memberikan kontribusi yang signifikan secara statistik namun marginal secara praktis dengan penurunan MAE maksimum 0,175 mm. Analisis feature importance mengungkap dominasi fitur spasial mencapai 92-99% dalam proses prediksi, mengindikasikan bahwa koherensi common-mode antar-stasiun pada jaringan Ina-CORS Jawa Madura yang padat telah menyerap sebagian besar informasi yang relevan bagi proses prediksi. Meski pengaruhnya non-trivial jika dibandingkan dengan fitur spasial, namun variabel hydrological loading (HYDL) yang merupakan bagian dari NTL muncul sebagai prediktor eksternal paling dominan dibandingkan variabel eksternal lain, khususnya pada komponen koordinat vertikal. Investigasi lanjutan melalui proses pembentukan kerangka diagnostik per-stasiun mengungkap keterbatasan metode interpolasi berbasis fitur spasial untuk sinyal yang sangat terlokalisasi. Saat stasiun target memiliki pola pergeseran yang tidak terbagi dengan stasiun tetangganya, maka akurasi interpolasi menurun. Pada estimasi laju pergeseran, 98% dari 348 kombinasi stasiun-gap yang dievaluasi berada dalam tier akurasi Excellent berdasarkan kerangka ITRF2020, sehingga pengisian gap data menggunakan RF tetap dinyatakan layak untuk operasional. Kebaruan penelitian ini terletak pada isolasi sistematis kontribusi variabel eksternal terhadap baseline ML murni yang hanya menggunakan informasi spasio-temporal, integrasi eksplisit ZWD dan WVP sebagai ko-prediktor yang belum pernah dilakukan pada literatur ML-GNSS sebelumnya, serta pengujian pada jaringan tropis besar dan heterogen yang jauh melampaui skala penelitian terdahulu. Penelitian ini memberikan sumbangan metodologis berupa kerangka evaluasi dan diagnostik yang dapat direplikasi pada jaringan GNSS regional lain, sekaligus panduan praktis mengenai kondisi di mana interpolasi berbasis RF dapat diandalkan dan di mana keterbatasannya perlu diwaspadai, khususnya bagi pengelola jaringan geodetik nasional seperti Ina-CORS dalam mendukung pemantauan deformasi dan pemeliharaan kerangka referensi nasional di Indonesia.