Prediksi Kebakaran Hutan Berdasarkan Titik Panas dan Iklim Menggunakan Algoritma Random Forest

Aditya Firmansyah(1), Muhammad Farhan Syahidin(2), Yaya Sudarya Triana(3*)
(1) Program Studi Sistem Informasi Universitas Mercu Buana
(2) Program Studi Sistem Informasi Universitas Mercu Buana
(3) Program Studi Sistem Informasi Universitas Mercu Buana
(*) Corresponding Author

https://doi.org/10.25077/TEKNOSI.v10i2.2024.145-155


Abstrak


Kebakaran hutan dan lahan semakin sering terjadi, menyebabkan dampak lingkungan yang menyebar ke luar wilayah kebakaran. Permasalahan yang terjadi salah satunya karena musim kemarau yang panjang di wilayah Kabupaten Ogan Komering Ilir Provinsi Sumatra Selatan yang menjadi faktor utama dalam meningkatnya risiko kebakaran, sebanyak 1.111 titik kebakaran tercatat pada tahun 2023. Permasalahan lainnya juga pada titik panas yang salah mendeteksi kebakaran yang seharusnya tidak kebakaran dan kasus tidak kebakaran yang seharusnya kebakaran, hal tersebut menyebabkan kerugian lingkungan maupun kerugian dana. Oleh karena itu, dibutuhkan model klasifikasi untuk memprediksi kasus kebakaran. Penelitian ini menggunakan gabungan data titik panas dan data iklim sebanyak 4343 data menggunakan metode Random Forest. Proses yang dilakukan yaitu studi literatur dan tahapan prediksi yang terdiri dari web scraping, data pre-processing, splitting data, pemodelan, dan evaluasi. Hasil penelitian berupa laporan klasifikasi, confusion matrix, dan feature importance. Hasil pengujian menunjukkan tingkat akurasi model yang baik sebesar 85.8% yang menunjukkan model menghitung seberapa tepat kinerja yang dilakukan model. Dengan penerapan model menggunakan metode Random Forest, model prediksi ini mengidentifikasi kasus kebakaran sangat baik sehingga informasi ini dapat digunakan untuk keputusan manajemen penanggulangan kebakaran dengan tepat dan meminimalisir terjadinya kerugian.

Kata Kunci


Kebakaran hutan; Prediksi; Klasifikasi; Random Forest; Web Scraping


Teks Lengkap:

PDF


Referensi


[1] S. Dian, H. Permana, G. Saputra, B. Arifitama, W. Caesarendra, and R. Rahim, “Classification of bird sounds as an early warning method of forest fires using Convolutional Neural Network ( CNN ) algorithm,” J. King Saud Univ. - Comput. Inf. Sci., vol. 34, no. 7, pp. 4345–4357, 2022, doi: 10.1016/j.jksuci.2021.04.013.

[2] A. Fitriansyah, “Sistem Informasi Pusat Data Dampak Kebakaran Hutan dan Lahan Berbasis Mobile Web di Provinsi Riau,” TEKNOSI, vol. 03, no. 01, pp. 35–42, 2017.

[3] Fitriyani, “Implementasi Forward Selection dan Bagging untuk Prediksi Kebakaran Hutan Menggunakan Algoritma Naïve Bayes,” J. Nas. Teknol. dan Sist. Inf., vol. 01, pp. 1–8, 2022, doi: 10.25077/TEKNOSI.v8i1.2021.1-8.

[4] E. Abdul, S. Listia, A. Syukur, and M. Othman, “Forest fire spreading and carbon concentration identification in tropical region Indonesia,” Alexandria Eng. J., vol. 61, no. 2, pp. 1551–1561, 2022, doi: 10.1016/j.aej.2021.06.064.

[5] Paloma Ruiz-Benito, Giorgio Vacchiano, Emily R. Lines, Christopher P.O. Reyer, Sophia Ratcliffe, Xavier Morin, Florian Hartig, Annikki Mäkelä, Rasoul Yousefpour, Jimena E. Chaves, Alicia Palacios-Orueta, Marta Benito-Garzón, Cesar Morales-Molino, J. Julio Camarero, Alistair S. Jump, Jens Kattge, Aleksi Lehtonen, Andreas Ibrom, Harry J.F. Owen, Miguel A. Zavala, “Available and missing data to model impact of climate change on European forests,” Ecol. Modell., vol. 416, no. October 2019, p. 108870, 2020, doi: 10.1016/j.ecolmodel.2019.108870.

[6] T. A. Pratiwi, M. Irsyad, and R. Kurniawan, “Klasifikasi Kebakaran Hutan dan Lahan Menggunakan Algoritma Naïve Bayes (Studi Kasus: Provinsi Riau),” J. Sist. dan Teknol. Inf., vol. 9, no. 2, p. 101, 2021, doi: 10.26418/justin.v9i2.42823.

[7] R. O. Mardiyanto, F. Fitriani, R. J. Purnomo, K. Kusrini, and D. Maulina, “Pemetaan Lokasi Kebakaran Hutan Dan Lahan Di Ntb Dengan Menggunakan Algoritma Naive Bayes,” Tek. Teknol. Inf. dan Multimed., vol. 2, no. 2, pp. 69–75, 2021, doi: 10.46764/teknimedia.v2i2.44.

[8] Liqing Si, Lifu Shu, Mingyu Wang, Fengjun Zhao, Feng Chen, Weike Li, Wei Li, “Study on forest fire danger prediction in plateau mountainous forest area,” Nat. Hazards Res., vol. 2, no. 1, pp. 25–32, 2022, doi: 10.1016/j.nhres.2022.01.002.

[9] Srikanta Sannigrahi, Francesco Pilla, Bidroha Basu, Arunima Sarkar Basu, Konika Sarkar, Suman Chakraborti, Pawan Kumar Joshi, Qi Zhang, Ying Wang, Sandeep Bhatt, Anand Bhatt, Shouvik Jha, Saskia Keesstra, P.S. Roy, “Examining the effects of forest fire on terrestrial carbon emission and ecosystem production in India using remote sensing approaches,” Sci. Total Environ., vol. 725, no. March, p. 138331, 2020, doi: 10.1016/j.scitotenv.2020.138331.

[10] S. M. Rezfiko Agdialta, Dodo Gunawan, Amsari Mudzakir Setiawan, “Pemantauan Tingkat Bahaya Kebakaran Hutan Dan Lahan Dengan Indeks Kekeringan Keetch-Byram Drought Index Selama Periode El-Niňo Di Provinsi Sumatera Selatan,” J. Penelit. Kehutan. Sumatrana, vol. 2, no. 1, pp. 1–13, 2020.

[11] Nurdin, M. Hutomi, M. Qamal, and Bustami, “Sistem Pengecekan Toko Online Asli atau Dropship pada Shopee,” J. Rekayasa Sist. dan Teknol. Inf., vol. 1, no. 10, pp. 1117–1123, 2021.

[12] S. P. Salim Satriajati, Satria Bagus Panuntun, “Implementasi Web Scraping Dalam Pengumpulan Berita Kriminal Pada Masa Pandemi COVID-19 ( Implementation of Web Scraping in Criminal News Collection during Covid-19 Pandemic ),” pp. 300–308, 2020.

[13] S. Kumari, D. Kumar, and M. Mittal, “An ensemble approach for classification and prediction of diabetes mellitus using soft voting classifier,” Int. J. Cogn. Comput. Eng., vol. 2, no. January, pp. 40–46, 2021, doi: 10.1016/j.ijcce.2021.01.001.

[14] F. Alghifari and D. Juardi, “Penerapan Data Mining Pada Penjualan Makanan Dan Minuman Menggunakan Metode Algoritma Naïve Bayes,” J. Ilm. Inform., 2021.

[15] R. F. P. D. Ikhsan Romli, “Penerapan Data Mining Menggunakan Algoritma K-Means Untuk Klasifikasi Penyakit ISPA,” Indones. J. Bus. Intell., vol. 4, no. 1, pp. 10–15, 2021, doi: 10.21927/ijubi.v4i1.1727.

[16] J. Melvin and A. Soraya, “Analisis Perbandingan Algoritma XGBoost dan Algoritma Random Forest Ensemble Learning pada Klasifikasi Keputusan Kredit,” J. Ris. Rumpun Mat. dan Ilmu Pengetah. Alam, vol. 2, no. 2, 2023, doi: 10.55606/jurrimipa.v2i2.1336.

[17] Minh Nguyen, Tong He, Lijun An, Daniel C. Alexander, Jiashi Feng, B.T. Thomas Yeo, “Predicting Alzheimer ’ s disease progression using deep recurrent neural,” Neuroimage, vol. 222, no. August, p. 117203, 2020, doi: 10.1016/j.neuroimage.2020.117203.

[18] A. T. Tunkiel, D. Sui, and T. Wiktorski, “Impact of data pre-processing techniques on recurrent neural network performance in context of real-time drilling logs in an automated prediction framework,” J. Pet. Sci. Eng., vol. 208, no. PE, p. 109760, 2022, doi: 10.1016/j.petrol.2021.109760.

[19] S. W. Yohana Tri Widayati, Yani Prihati, “Analisis dan Komparasi Algoritma Naive Bayes dan C4.5 Untuk Klasifikasi Loyalitas Pelanggan MNC Play Kota Semarang,” TRANSFORMTIKA, vol. 18, no. 2, pp. 161–172, 2021.

[20] R. Oktafiani, A. Hermawan, and D. Avianto, “Pengaruh Komposisi Split Data Terhadap Performa Klasifikasi Penyakit Kanker Payudara Menggunakan Algoritma Machine Learning,” J. Sains dan Inform., vol. 9, no. April, pp. 19–28, 2023, doi: 10.34128/jsi.v9i1.622.

[21] M. D. Anasanti, K. Hilyati, and A. Novtariany, “Exploring feature selection techniques on Classification Algorithms for Predicting Type 2 Diabetes at Early Stage,” J. Rekayasa Sist. dan Teknol. Inf., vol. 5, no. 158, pp. 832–839, 2022.

[22] B. N. Azmi, A. Hermawan, and D. Avianto, “Analisis Pengaruh Komposisi Data Training dan Data Testing pada Penggunaan PCA dan Algoritma Decision Tree untuk Klasifikasi Penderita Penyakit Liver,” J. Teknol. Inf. dan Multimed., vol. 4, no. 4, pp. 281–290, 2023, doi: 10.35746/jtim.v4i4.298

[23] Jussi Pirneskoskia, Joonas Tamminenb, Antti Kallonenb, Jouni Nurmia, Markku Kuismaa, Klaus T. Olkkolad, Sanna Hoppu, “Random forest machine learning method outperforms predicting one-day mortality : A retrospective study,” Resusc. Plus, vol. 4, no. May, p. 100046, 2020, doi: 10.1016/j.resplu.2020.100046.

[24] Cafer Mert Ye ¸s ilkanat Science, “Spatio-temporal estimation of the daily cases of COVID-19 in worldwide using random forest machine learning algorithm,” Chaos , Solitons Fractals, vol. 140, 2020, doi: 10.1016/j.chaos.2020.110210.

[25] R. Supriyadi, W. Gata, N. Maulidah, and A. Fauzi, “Penerapan Algoritma Random Forest Untuk Menentukan Kualitas Anggur Merah,” J. Ilm. Ekon. dan Bisnis, vol. 13, no. 2, pp. 67–75, 2020.

[26] A. M. Tamrizal and A. Yaqin, “Perbandingan Algoritma Naïve Bayes , K-Nearest Neighbors dan Random Forest untuk Klasifikasi Sentimen Terhadap BPJS Kesehatan pada Media Twitter,” J. Telekomun. dan Komput., vol. 12, no. 1, pp. 1–10, 2022, doi: 10.22441/incomtech.v12i1.13642.

[27] R. B. Kurniabudi, Deris Stiawan, Darmawijoyo, Mohd Yazid Bin Idris, Sarjon Defit, Yaya Sudarya Triana, “Improvement of Attack Detection Performance on the Internet of Things Network with PSO-Search and Random Forest,” J. Comput. Sci., 2022, doi: 10.1016/j.jocs.2022.101833.

[28] M. D. P. Gde Agung Brahmana Suryanegara, Adiwijaya, “Peningkatan Hasil Klasifikasi pada Algoritma Random Forest untuk Deteksi Pasien Penderita Diabetes Menggunakan Metode Normalisasi,” J. Rekayasa Sist. dan Teknol. Inf., vol. 1, no. 10, pp. 114–122, 2021.

[29] W. Aezwani, W. Abu, N. Laila, N. B. Josdi, M. B. Man, and Y. Sudarya, “An Evaluation of Artificial Neural Networks and Random Forests for Heart Disease Prediction,” J. Hunan Univerity (Natural Sci., vol. 49, 2022, doi: 10.55463/issn.1674-2974.49.2.4.

[30] R. Matsuo, T. Yamazaki, M. Suzuki, H. Toyama, and K. Araki, “A random forest algorithm-based approach to capture latent decision variables and their cutoff values,” J. Biomed. Inform., vol. 110, no. August, p. 103548, 2020, doi: 10.1016/j.jbi.2020.103548.

[31] W. H. Yoga Religia, Agung Nugroho, “Analisis Perbandingan Algoritma Optimasi pada Random Forest untuk Klasifikasi Data Bank Marketing,” J. Rekayasa Sist. dan Teknol. Inf., vol. 1, no. 10, pp. 187–192, 2021.

[32] S. Sreejith, H. K. Nehemiah, and A. Kannan, “A clinical decision support system for polycystic ovarian syndrome using red deer algorithm and random forest classifier,” Healthc. Anal., vol. 2, no. August, p. 100102, 2022, doi: 10.1016/j.health.2022.100102.

[33] Z. Susanti, P. Sirait, and E. S. Panjaitan, “Peningkatan Kinerja Random Forest Melalui Seleksi Fitur Secara Pca Untuk Mendeteksi Penyakit Diabetes Tahap Awal,” vol. 4, no. 3, pp. 51–56, 2023.

[34] S. Oon Wira Yuda, Darmawan Tuti, Lim Sheih Yee, “Penerapan Data Mining Untuk Klasifikasi Kelulusan Mahasiswa Tepat Waktu Menggunakan Metode Random,” Sains dan Teknol. Inf., 2022, doi: 10.33372/stn.v8i2.885.

[35] M. Akhas Rahmadeyan, “Seleksi Fitur pada Supervised Learning : Klasifikasi Prestasi Belajar Mahasiswa Saat dan Pasca Pandemi COVID-19,” J. Nas. Teknol. dan Sist. Inf., vol. 01, pp. 21–32, 2023, doi: TEKNOSI.v9i1.2023.21-32.

[36] S. Amaliah and M. Nusrang, “Penerapan Metode Random Forest Untuk Klasifikasi Varian Minuman Kopi Di Kedai Kopi Konijiwa Bantaeng,” J. Stat. Its Appl. Teach. Res., vol. 4, no. 2, pp. 121–127, 2022, doi: 10.35580/variansiunm31.

[37] R. R. Salam, M. F. Jamil, and Y. Ibrahim, “Analisis Sentimen Terhadap Bantuan Langsung Tunai ( BLT ) Bahan Bakar Minyak ( BBM ) Menggunakan Support Vector Machine,” Indones. J. Mach. Learn. Comput. Sci. J., vol. 3, no. April, pp. 27–35, 2023, [Online]. Available: https://journal.irpi.or.id/index.php/malcom/article/view/590

[38] C. Wahyu Surya Gemilang, Purwantoro, “Analisis Sentimen Pengguna Instagram Pada Calon Presiden 2024 Menggunakan Algoritma Support Vector Machine,” J. Mhs. Tek. Inform., vol. 7, no. 4, pp. 2849–2855, 2024.

[39] C. Aldrich and L. Auret, “Fault detection and diagnosis with random forest feature extraction and variable importance methods,” IFAC Proc. Vol., vol. 43, no. 9, pp. 79–86, 2014, doi: 10.3182/20100802-3-ZA-2014.00020.

[40] Y. Zhao, W. Zhu, P. Wei, P. Fang, X. Zhang, and N. Yan, “Classification of Zambian grasslands using random forest feature importance selection during the optimal phenological period,” Ecol. Indic., vol. 135, p. 108529, 2022, doi: 10.1016/j.ecolind.2021.108529.

[41] H. Alsagri and M. Ykhlef, “Quantifying Feature Importance for Detecting Depression using Random Forest,” Int. J. Adv. Comput. Sci. Appl., vol. 11, no. 5, 2020.


Artikel Statistik

Abstrak telah dilihat : 0 kali
PDF telah dilihat : 0 kali

Refbacks

  • Saat ini tidak ada refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

 

Alamat Redaksi :
Departemen Sistem Informasi, Fakultas Teknologi Informasi
Universitas Andalas
Kampus Limau Manis, Padang 25163, Sumatera Barat

email: teknosi@fti.unand.ac.id

  Jumlah Pengunjung :

 

Creative Commons License
This work by JSI-Unand and licensed under a CC BY-SA 4.0 International License.