PERAMALAN DERET WAKTU DAN KLASIFIKASI POTENSI RISIKO KEAMANAN PENYIMPANAN LIMBAH RADIOAKTIF DEKAT PERMUKAAN TANAH

• KANITA SALSABILA DWI IRMANTI

---

ABSTRAK

ABSTRAK

Pengelolaan limbah radioaktif jangka panjang, khususnya pada fasilitas Near Surface Disposal (NSD), memerlukan pendekatan prediktif dan sistem pemantauan adaptif untuk mengantisipasi risiko terhadap kualitas air tanah. Penelitian ini bertujuan mengembangkan model deret waktu untuk memprediksi parameter muka air tanah meliputi kedalaman, pH, dan tds serta mengintegrasikannya dengan sistem klasifikasi risiko ESG berbasis aturan dan machine learning. Metode yang digunakan meliputi model deret waktu Prophet untuk prediksi parameter air tanah dalam 50 tahun ke depan. Hasil prediksi diklasifikasikan menggunakan rule-based classification yang kemudian dievaluasi menggunakan algoritma Random Forest. Aplikasi akhir dikembangkan berbasis web menggunakan Streamlit. Model Prophet memberikan performa prediksi terbaik untuk kedalaman MAE: 0,71; MAPE: 7,41% dan pH MAE: 0,21; MAPE: 4,89%, namun kurang akurat untuk TDS MAE: 12,16; MAPE: 31,62%. Model Random Forest menghasilkan akurasi klasifikasi hingga 98% dan mampu mereplikasi sistem klasifikasi berbasis aturan dengan baik. Integrasi model ini dapat menghasilkan sistem prediktif yang mendukung pengambilan keputusan dalam pengelolaan limbah radioaktif berkelanjutan. 

Kata Kunci: Near Surface Disposal, machine learning, peramalan deret waktu, klasifikasi x

KATA KUNCI

Peramalan Deret Waktu,Potensi Risiko

---

DAFTAR PUSTAKA

DAFTAR PUSTAKA

B. Suhartawan et al., Pengelolaan Limbah Padat, Limbah Industry dan B3, 1st ed. Padang: GET PRESS INDONESIA, 2023.

Fariz Aditya, Raja Songkup Pratama, Florensia Silaban, Mantasia Hasibuan, Rahmi Siregar, and Mario Fany Manurung, “Krisis Lingkungan Dan Implikasinya Terhadap Keamanan Manusia,” Student Research Journal, vol. 1, no. 6, pp. 210–219, Dec. 2023, doi: 10.55606/srjyappi.v1i6.829.

M. I. Ojovan and H. J. Steinmetz, “Approaches to Disposal of Nuclear Waste,” Energies (Basel), vol. 15, no. 20, p. 7804, Oct. 2022, doi: 10.3390/en15207804.

I. N. Pratama and H. Hidayatullah, “Strategi dan Kebijakan Pemerintah Dalam Mengatasi Masalah Pencemaran Air Tanah,” Journal of Enviromental Policy and Technology, no. 2, pp. 105–112, Oct. 2023.

S. Handayani, S. Sudarti, and Y. Yushardi, “Analisis Kualitas Air Minum Berdasarkan Kadar pH Air Mineral dan Rebusan Sebagai Sumber Energi Terbarukan,” OPTIKA: Jurnal Pendidikan Fisika, vol. 7, no. 2, pp. 385–395, 2023.

R. H. Pratiwi et al., Kesehatan Lingkungan, 1st ed. Bandung: WIDIANA BHAKTI PERSADA BANDUNG, 2022.

F. N. Nabih, A. Takwanto, and M. Rahayu, “Pengaruh Konsentrasi Ozon Terhadap Nilai pH dan Total Dissolved Solid (TDS) Produk Air Minum dalam Kemasan (AMDK),” DISTILAT: Jurnal Teknologi Separasi, vol. 7, no. 2, pp. 347–352, May 2023, doi: 10.33795/distilat.v7i2.239.

M. E. Pramulyana, “Pengukuran Kualiatas Air di Masjid Dengan Menggunakan Parameter TSS, PH, DHL, TDS, dan Turbidity,” Universitas Islam Negeri ArRaniry, Banda Aceh, 2024.

M. Arya Revansyah et al., “Analisis TDS, PH, dan COD untuk Mengetahui Kualitas Air Warga Desa Cilayung,” Jurnal Material dan Energi Indonesia, vol. 12, no. 02, pp. 43–49, Aug. 2022.

International Atom Energy Agency, “Radioactive Waste Management Solutions for a Sustainable Future,” in Radioactive Waste Management, Vienna: International Atomic Energy Agency, Nov. 2023, pp. 1–490.

S. Gupta and S. K. Gupta, “A critical review on water quality index tool: Genesis, evolution and future directions,” Ecol Inform, vol. 63, p. 101299, Jul. 2021, doi: 10.1016/j.ecoinf.2021.101299.

D. E. Daniel, Geotechnical Practice for Waste Disposal. Boston, MA: Springer US, 2012. doi: 10.1007/978-1-4615-3070-1. 59

K. Tanaka et al., “Microbially Formed Mn(IV) Oxide as a Novel Adsorbent for Removal of Radium,” Chemosphere, vol. 355, p. 141837, May 2024, doi: 10.1016/j.chemosphere.2024.141837.

T. T. Jäger et al., “Characterization of a mock up nuclear waste package using energy resolved MeV neutron analysis,” Sci Rep, vol. 15, no. 1, Feb. 2025, doi: 10.1038/s41598-025-89879-0.

S. Dizman and O. Mukhtarli, “Tritium concentrations and consequent doses in bottled natural and mineral waters sold in Turkey and Azerbaijan,” Chemosphere, vol. 267, p. 10.1016/j.chemosphere.2020.128721. 128721, Mar. 2021,

A. Chhabra et al., “Sustainable and Intelligent Time-Series Models for Epidemic Disease Forecasting and Analysis,” Sustainable Technology and Entrepreneurship, vol. 3, no. 2, May 2024, doi: 10.1016/j.stae.2023.100064.

H. L. Vu, K. T. W. Ng, A. Richter, J. Li, and S. A. Hosseinipooya, “Impacts of nested forward validation techniques on machine learning and regression waste disposal time series models,” Ecol Inform, vol. 72, p. 101897, Dec. 2022, doi: 10.1016/j.ecoinf.2022.101897.

M. J. A. Shohan, M. O. Faruque, and S. Y. Foo, “Forecasting of Electric Load Using a Hybrid LSTM-Neural Prophet Model,” Energies (Basel), vol. 15, no. 6, pp. 1–18, Mar. 2022, doi: 10.3390/en15062158. doi:  

Fariz Aditya, Raja Songkup Pratama, Florensia Silaban, Mantasia Hasibuan, Rahmi Siregar, and Mario Fany Manurung, “Krisis Lingkungan Dan Implikasinya Terhadap Keamanan Manusia,” Student Research Journal, vol. 1, no. 6, pp. 210–219, Dec. 2023, doi: 10.55606/srjyappi.v1i6.829.

H. Susiati et al., Pembangkit Listrik Tenaga Nuklir di Indonesia Upaya Berkelanjutan Menuju Net Zero Emission. Malang: Unisma Press, 2023. doi: 10.5281/zenodo.7905583.

X. Wang et al., “Identification of Key Degradation Processes of Cement-Based Materials in Low-Level Radioactive Waste Near-Surface Disposal Sites over a Large Time Scale,” 2024, pp. 799–805. doi: 10.3233/ATDE240708.

R. Gelar Guntara, “Pemanfaatan Google Colab Untuk Aplikasi Pendeteksian Masker Wajah Menggunakan Algoritma Deep Learning YOLOv7,” Jurnal Teknologi  Dan Sistem Informasi Bisnis, vol. 5, no. 1, pp. 55–60, Feb. 2023, doi: 10.47233/jteksis.v5i1.750.

C. Schröer, F. Kruse, and J. M. Gómez, “A Systematic Literature Review on Applying CRISP-DM Process Model,” Procedia Comput Sci, vol. 181, pp. 526534, 2021, doi: 10.1016/j.procs.2021.01.199.

C. Zhang, W. Ding, and L. Zhang, “Impacts of Missing Buoy Data on LSTMBased Coastal Chlorophyll-a Forecasting,” Water (Basel), vol. 16, no. 21, p. 3046, Oct. 2024, doi: 10.3390/w16213046.   

J. Brownlee, Deep Learning for Time Series Forecasting, 1.9. 2018. [26] R. P. Masini, M. C. Medeiros, and E. F. Mendes, “Machine learning advances for time series forecasting,” J Econ Surv, vol. 37, no. 1, pp. 76–111, Feb. 2023, doi: 10.1111/joes.12429.