Prediksi Konsumsi Air di DAS Sungai Nil dengan Feed-Forward Neural Network: Studi Kasus Mesir dan Kenya

Dipublikasikan oleh Izura Ramadhani Fauziyah

20 Juni 2025, 06.19

pixabay.com

Urgensi Perencanaan Air di DAS Lintas Negara

Sungai Nil adalah sumber kehidupan bagi lebih dari 300 juta orang di Afrika Timur dan Utara, melintasi 11 negara dengan latar belakang ekonomi, iklim, dan kepentingan politik yang sangat beragam. Ketergantungan tinggi pada air Sungai Nil, terutama di Mesir dan Kenya, diperparah oleh pertumbuhan penduduk, perubahan iklim, serta dinamika pembangunan ekonomi yang pesat. Dalam konteks inilah, paper “Forecasting water consumption on transboundary water resources for water resource management using the feed-forward neural network: a case study of the Nile River in Egypt and Kenya” karya Anne Wambui Mumbi dkk. (2022) menjadi sangat relevan sebagai rujukan ilmiah dan kebijakan untuk merancang masa depan pengelolaan air lintas negara yang lebih adaptif dan berbasis data123.

Latar Belakang: Kompleksitas Pengelolaan Air Sungai Nil

Tantangan Transboundary Water Management

  • Sungai Nil adalah DAS lintas negara terpanjang di dunia (6.650 km), melintasi 11 negara dan menopang 64% daratan Afrika serta 77% populasinya1.
  • Ketergantungan Mesir: 95% penduduk Mesir tinggal di dekat Sungai Nil, dan 80% air Sungai Nil digunakan untuk irigasi, menyumbang 14,5% PDB nasional1.
  • Peran Kenya: Meski hanya 9% wilayah Kenya berada di DAS Nil, 52% kebutuhan air nasionalnya dipenuhi dari DAS ini, terutama untuk pertanian dan pariwisata yang menyumbang 10–15% PDB1.
  • Konflik dan Kerjasama: Persaingan pemanfaatan air, perjanjian kolonial lama, dan pembangunan bendungan di hulu (misal Ethiopia) sering memicu ketegangan diplomatik dan potensi konflik12.

Tren Global

  • Permintaan air global diprediksi naik 20–30% pada 2050, sedangkan konsumsi air pertanian akan naik 60% pada 2025 dari angka 20191.
  • Krisis air lebih sering dipicu oleh tata kelola yang lemah, bukan semata-mata kelangkaan fisik1.

Metodologi: Prediksi Konsumsi Air dengan Deep Learning

Model dan Data

  • Model utama: Feed-Forward Neural Network (FFNN), dibandingkan dengan Recurrent Neural Network (RNN) untuk validasi performa123.
  • Input utama: Data historis presipitasi, PDB, populasi, dan penggunaan air sektor pertanian.
  • Data: Tahun 2001–2014 untuk Mesir dan Kenya, dengan sumber dari FAO, World Bank, IMF, dan data iklim dari 430 stasiun cuaca1.
  • Normalisasi data: Semua variabel dinormalisasi ke rentang 0–1 untuk menghindari bias dalam pelatihan model.

Skema Skenario

  • Skenario 1: Prediksi berbasis tren historis keempat variabel utama.
  • Skenario 2: PDB digandakan, variabel lain tetap, untuk melihat dampak pertumbuhan ekonomi pesat terhadap permintaan air.

Evaluasi Model

  • Pembagian data: 80% untuk pelatihan, 20% untuk pengujian.
  • Akurasi: FFNN menunjukkan error lebih rendah (RMSE Kenya: 0,0689 x 10³ m³/tahun, Mesir: 0,883 x 10³ m³/tahun) dibanding RNN (Kenya: 0,071 x 10³ m³/tahun, Mesir: 0,897 x 10³ m³/tahun)1.
  • Akurasi pengujian: FFNN Kenya 0,116145, Mesir 0,099894; RNN Kenya 0,196333, Mesir 0,1336961.

Hasil dan Analisis: Konsumsi Air Masa Depan di Mesir dan Kenya

Skenario 1: Prediksi Berdasarkan Tren Historis

Kenya

  • Prediksi konsumsi air per kapita terus meningkat hingga 2040, dari sekitar 0,8 menjadi 1,2 x 10³ m³/tahun1.
  • Penyebab utama: Pertumbuhan penduduk pesat, penurunan curah hujan, dan ketergantungan pada pertanian irigasi.
  • Dampak: Proyeksi pasokan air per kapita turun ke 235 m³/tahun pada 2025 (dari 647 m³/tahun saat ini), jauh di bawah ambang batas kelangkaan air (1.000 m³/tahun)1.

Mesir

  • Tren unik: Konsumsi air per kapita menurun perlahan hingga 2032, lalu meningkat kembali hingga 0,18 x 10³ m³/tahun pada 20401.
  • Faktor penentu: Keterbatasan sumber air (hanya 6% lahan subur, curah hujan <80 mm/tahun), pertumbuhan penduduk, dan kebijakan pengurangan tanaman boros air seperti padi.
  • Risiko: Ketergantungan pada air Nil sangat tinggi, sehingga setiap perubahan di negara hulu (misal pembangunan bendungan Ethiopia) sangat memengaruhi pasokan air nasional.

Skenario 2: Dampak Pertumbuhan Ekonomi Ekstrem (GDP Doubled)

Kenya

  • Konsumsi air per kapita naik lebih tajam, mencapai 0,5 unit pada 20401.
  • Implikasi: Tanpa efisiensi dan teknologi hemat air, pertumbuhan ekonomi akan memperparah krisis air.

Mesir

  • Tren: Konsumsi air per kapita tetap menurun, lalu naik perlahan hingga 0,8 m³ pada 20401.
  • Penjelasan: Di Mesir, permintaan air lebih dipengaruhi oleh sektor pertanian daripada pertumbuhan ekonomi semata. Jika pertumbuhan ekonomi tidak diiringi perubahan pola tanam dan efisiensi irigasi, pengaruhnya pada konsumsi air tetap terbatas.

Diskusi Kritis: Implikasi, Kelebihan, dan Keterbatasan

Implikasi Kebijakan

  • Forecasting berbasis AI seperti FFNN sangat membantu perencanaan air lintas negara, memberikan “early warning” bagi pembuat kebijakan untuk merancang strategi adaptasi.
  • Kerjasama lintas negara sangat penting, terutama di DAS Nil yang rawan konflik akibat ketimpangan distribusi air dan perubahan iklim.
  • Diversifikasi sumber air (teknologi desalinasi, daur ulang air, efisiensi irigasi) harus menjadi prioritas di negara-negara yang sangat bergantung pada satu sumber utama.

Kelebihan Studi

  • Pendekatan komparatif: Analisis paralel Kenya (hulu) dan Mesir (hilir) memberikan gambaran utuh dinamika konsumsi air di DAS lintas negara12.
  • Metodologi mutakhir: Penggunaan FFNN dan RNN memungkinkan prediksi lebih akurat dibanding model statistik klasik, terutama untuk data multivariat dan tren jangka panjang4.
  • Validasi model: Pengujian dengan dua metode (FFNN vs RNN) memperkuat keandalan hasil.

Keterbatasan dan Kritik

  • Variabel terbatas: Hanya empat input utama (PDB, populasi, curah hujan, air pertanian), padahal faktor lain seperti perubahan tata guna lahan, kebijakan air, dan teknologi irigasi juga sangat berpengaruh.
  • Negara antara: Studi hanya fokus pada Kenya dan Mesir, padahal negara lain di DAS Nil (Ethiopia, Sudan, Uganda) juga berperan besar dalam dinamika air.
  • Asumsi GDP: Skenario GDP digandakan tanpa perubahan variabel lain kurang realistis, karena pertumbuhan ekonomi biasanya berdampak langsung pada populasi, urbanisasi, dan pola konsumsi air.
  • Keterbatasan data: Data historis di negara berkembang sering tidak lengkap atau kurang mutakhir, sehingga hasil prediksi tetap perlu diverifikasi secara berkala.

Perbandingan dengan Studi Lain dan Tren Industri

  • Studi di Afrika Selatan dan Tiongkok juga menunjukkan bahwa prediksi konsumsi air berbasis neural network mampu membantu perencanaan, namun efektivitasnya sangat tergantung pada kualitas data dan integrasi dengan kebijakan nyata4.
  • Tren global: Penggunaan AI dan machine learning untuk prediksi sumber daya air kini menjadi standar baru di banyak negara maju, dan mulai diadopsi di negara berkembang untuk mitigasi risiko krisis air.
  • Industri air: Sektor utilitas air di dunia kini mulai mengintegrasikan model prediksi AI untuk optimasi distribusi, deteksi kebocoran, dan perencanaan investasi infrastruktur.

Rekomendasi dan Saran Praktis

  1. Perkuat sistem data: Investasi pada sistem monitoring dan pencatatan data air yang terintegrasi lintas negara sangat krusial.
  2. Kolaborasi regional: Perluasan kerjasama lintas negara dalam pengelolaan air, termasuk berbagi data dan teknologi prediksi.
  3. Diversifikasi sumber air: Negara-negara di DAS Nil harus mempercepat adopsi teknologi desalinasi, daur ulang air, dan efisiensi irigasi.
  4. Edukasi dan advokasi: Masyarakat dan pelaku industri harus didorong untuk mengadopsi perilaku hemat air dan mendukung kebijakan konservasi.
  5. Pengembangan model prediktif: Studi lanjutan perlu memasukkan variabel tambahan (sektor industri, kebijakan pemerintah, perubahan tata guna lahan) dan memperluas cakupan ke negara-negara lain di DAS Nil.

Menuju Tata Kelola Air Lintas Negara yang Adaptif

Studi ini menegaskan pentingnya prediksi konsumsi air berbasis AI untuk mendukung tata kelola air lintas negara yang lebih responsif dan berkelanjutan. Dengan proyeksi kenaikan konsumsi air di Kenya dan tren fluktuatif di Mesir, kedua negara (dan seluruh DAS Nil) harus segera beradaptasi dengan strategi pengelolaan air yang lebih efisien, kolaboratif, dan berbasis data. Model FFNN terbukti unggul dalam memetakan tren jangka panjang, namun tetap perlu dilengkapi dengan data yang lebih kaya dan integrasi kebijakan nyata untuk hasil yang optimal.

Sumber Artikel 

Anne Wambui Mumbi, Fengting Li, Jean Pierre Bavumiragira, Fangnon Firmin Fangninou. Forecasting water consumption on transboundary water resources for water resource management using the feed-forward neural network: a case study of the Nile River in Egypt and Kenya. Marine and Freshwater Research 73(3): 292–306. 2022.