Prediksi Area Kebakaran Hutan Menggunakan Algoritma Random Forest
Keywords:
Kebakaran, Prediksi, Random forest, RMSE, MSEAbstract
Kebakaran hutan adalah bencana yang memiliki dampak serius bagi lingkungan, merusak sumber daya hutan, mengancam ekosistem secara keseluruhan, termasuk flora, fauna, dan kualitas lingkungan di suatu wilayah, bahkan membahayakan nyawa manusia. Meskipun sering kali dipicu oleh kondisi lingkungan yang kering dan panas, aktivitas manusia seperti pembukaan lahan pertanian juga dapat menjadi penyebabnya. Variabel seperti tingkat kelembaban, kecepatan angin, dan curah hujan berperan penting dalam menentukan seberapa luasnya kebakaran hutan dapat menyebar. Dalam penelitian ini, Random forest digunakan untuk memprediksi luas area yang terkena kebakaran. Dengan nilai n = 1000, model ini menghasilkan RMSE sebesar 0.557, MSE sebesar 0.310, dan R2 Score sebesar 0.844 dengan penggunaan 12 atribut, sedangkan dengan 8 atribut, model menunjukkan RMSE sebesar 0.548, MSE sebesar 0.301, dan R2 Score sebesar 0.849. Hasil analisis juga menunjukkan bahwa atribut yang memiliki pengaruh paling penting dalam prediksi kebakaran hutan adalah temperatur. Hal ini menegaskan pentingnya temperatur dalam mempengaruhi kebakaran hutan dan memperkuat keandalan model dalam memberikan prediksi yang akurat dan informatif untuk mitigasi risiko kebakaran hutan.
References
Z. Mohammed, C. Hanae, and S. Larbi, “Comparative study on machine learning algorithms for early fire forest detection system using geodata.,” Int. J. Electr. Comput. Eng., vol. 10, no. 5, p. 5507, Oct. 2020, doi: 10.11591/ijece.v10i5.pp5507-5513.
M. B. R. Prayoga and R. H. Koestoer, “Improving Forest Fire Mitigation in Indonesia: A Lesson from Canada,” J. Wil. dan Lingkung., vol. 9, no. 3, pp. 293–305, Dec. 2021, doi: 10.14710/jwl.9.3.293-305.
I. A. Riyanto, A. Cahyadi, F. Kurniadhini, H. Bachtiar, D. Apriyana, and B. K. A. Caraka, “Understanding Forest Fire Management in Indonesia from a Global Perspective,” ASEAN J. Sci. Technol. Dev., vol. 37, no. 1, Apr. 2020, doi: 10.29037/ajstd.593.
E. Abdul Kadir, S. Listia Rosa, A. Syukur, M. Othman, and H. Daud, “Forest fire spreading and carbon concentration identification in tropical region Indonesia,” Alexandria Eng. J., vol. 61, no. 2, pp. 1551–1561, Feb. 2022, doi: 10.1016/j.aej.2021.06.064.
D. A. Wood, “Prediction and data mining of burned areas of forest fires: Optimized data matching and mining algorithm provides valuable insight,” Artif. Intell. Agric., vol. 5, pp. 24–42, 2021, doi: 10.1016/j.aiia.2021.01.004.
D. R. Manalu, M. Zarlis, H. Mawengkang, and O. S. Sitompul, “Forest Fire Prediction in Northern Sumatera using Support Vector Machine Based on the Fire Weather Index,” in Computer Science & Information Technology (CS & IT), Dec. 2020, pp. 187–196. doi: 10.5121/csit.2020.101915.
F. Fitriyani and R. Sanjaya, “KOMPARASI ALGORITMA LR, K-NN DAN SVM UNTUK ESTIMASI AREA KEBAKARAN HUTAN,” Infotronik J. Teknol. Inf. dan Elektron., vol. 3, no. 2, p. 103, Dec. 2018, doi: 10.32897/infotronik.2018.3.2.109.
M. S. Ahsan, Z. Zakaria, Z. Hadi, S. E. A. Kurni, and K. Kusrini, “Forest fire predicting using Naive Bayes and KNN algorithm,” Sinkron, vol. 7, no. 4, pp. 2340–2347, Oct. 2022, doi: 10.33395/sinkron.v7i4.11609.
A. P. Mahendra, D. Pradipta, M. R. B. Saputro, and K. Kusrini, “Application of the Decision Tree Method to Forest Fire Detection (Case Study: in Palembang, South Sumatra),” JTECS J. Sist. Telekomun. Elektron. Sist. Kontrol Power Sist. dan Komput., vol. 2, no. 1, p. 75, Feb. 2022, doi: 10.32503/jtecs.v2i1.2196.
D. Alita and A. R. Isnain, “Pendeteksian Sarkasme pada Proses Analisis Sentimen Menggunakan Random Forest Classifier,” J. komputasi, vol. 8, no. 2, Oct. 2020, doi: 10.23960/komputasi.v8i2.2615.
P. Rosyani, S. Saprudin, and R. Amalia, “Klasifikasi Citra Menggunakan Metode Random Forest dan Sequential Minimal Optimization (SMO),” J. Sist. dan Teknol. Inf., vol. 9, no. 2, p. 132, Apr. 2021, doi: 10.26418/justin.v9i2.44120.
