Perpustakaan Digital ITB

Pemantauan Kedalaman Muka Air Tanah (KMA) krusial untuk mitigasi kebakaran lahan gambut, tetapi akurasinya sering terkendala oleh karakteristik data yang non-stasioner dan fluktuatif ekstrem. Penelitian ini bertujuan mengembangkan model hibrida yang menggabungkan metode statistik dan Machine Learning (ML) untuk meningkatkan presisi prediksi KMA di Provinsi Riau. Tiga skenario pemodelan diuji: (1) Model Baseline (ARIMA/SARIMA), (2) Hibrida Residual, dan (3) Hibrida Dekomposisi menggunakan metode DWT, MODWT, SSA, dan STL yang dikombinasikan dengan algoritma Random Forest, XGBoost, LSTM, dan GRU. Hasil penelitian menunjukkan bahwa model baseline dan hibrida residual kurang optimal menangkap pola ekstrem, sedangkan pendekatan dekomposisi terbukti paling unggul. Secara spesifik, kombinasi MODWT dengan Random Forest/XGBoost menghasilkan akurasi tertinggi pada lokasi bervolatilitas rendah-menengah (NSE > 0.99), sementara SSA-XGBoost paling tangguh pada lokasi bervolatilitas ekstrem. Selain itu, kombinasi STL-LSTM teridentifikasi sebagai model paling valid secara statistik. Penelitian ini menyimpulkan bahwa pemilihan teknik dekomposisi yang adaptif terhadap kar