Perbandingan Metode Penilaian Tingkat Keparahan Kebakaran Hutan dan Lahan Dengan Pendekatan Machine Learning
Date
2022Author
Siswanto, Julius Christoper
Sitanggang, Imas Sukaesih
Syaufina, Lailan
Metadata
Show full item recordAbstract
Information on the burn severity can facilitate the management of forest and
land fires, both in terms of planning, managing, and rehabilitating on minimizing
losses but on-site data collection of vegetation and soil conditions that are
commonly used to assess the severity of forest and land fires will cost a lot of time,
money, and limited area coverage. Random Forest is widely used on burn severity related studies because of the good performance resulted. VGG-19 architecture also
used as deep learning predictor in several burn severity studies.This study aims to
compare the Random Forest and VGG-19 methods to determine the severity class
of forest and land fires and to find the most suitable method for forest conditions in
Indonesia based satellite images that can overcome the limitations of on-site data
collection. The stages of this research are Sentinel-2 data acquisition, data
preprocessing to calculate spectral indices and split images into several sub-images,
model training using Random Forest and VGG-19, evaluation using accuracy, F1-
score, and kappa coefficient metriecs, and comparison of classification methods.
The results from this study suggest the usage of Random Forest model in prior to
classify forest and land fire severity with average accuracy of 80%, 0,503 F1 score,
and 0,4 kappa coefficient for 5 classes prediction along with average accuracy of
83%, 0,745 F1 score, and 0,506 kappa coefficient in 3 classes prediction. Prediction
of burn severity information generated from Random Forest model can be used for
decision-making and policies to protect areas with high severity in order to properly
regenerate post-fire biodiversity in those areas. Informasi tingkat keparahan kebakaran hutan dan lahan dapat
mempermudah manajemen penanganan karhutla baik dari segi perencanaan,
pengelolaan, dan rehabilitasi karhutla dalam meminimalisir kerugian. Pengambilan
informasi lapang kondisi vegetasi serta tanah yang umum digunakan untuk menilai
tingkat keparahan karhutla membutuhkan waktu lama, biaya yang cukup besar,
serta cakupan area yang terbatas. Metode Random Forest sering digunakan dalam
penelitian terkait keparahan karhutla karena performa prediksi yang baik.
Arsitektur VGG-19 juga digunakan sebagai prediktor deep learning dalam
penelitian tingkat keparahan karhutla. Penelitian ini bertujuan untuk
membandingkan metode Random Forest dan VGG-19 untuk menentukan kelas
tingkat keparahan karhutla dan mencari metode yang paling sesuai untuk kondisi
hutan di Indonesia berdasarkan data citra satelit yang dapat mengatasi kekurangan
pengambilan data lapang. Tahapan dari penelitian ini meliputi pengumpulan data,
praproses data dengan menghitung indeks spektral dan membagi citra utuh menjadi
subcitra, pelatihan model menggunakan model Random Forest dan VGG-19,
evaluasi model menggunakan metrik akurasi, skor F1, dan koefisien kappa, serta
membandingkan metode klasifikasi. Hasil dari penelitian ini menyarankan model
Random Forest untuk memprediksi tingkat keparahan karhutla dengan akurasi rata rata 80%, skor F1 sebesar 0,503, koefisien kappa sebesar 0,4 untuk klasifikasi
tingkat keparahan karhutla 5 kelas serta akurasi rata-rata 83%, skor F1 sebesar
0,745, dan koefisien kappa 0,506 untuk klasifikasi tingkat keparahan karhutla 3
kelas. Hasil prediksi kelas tingkat keparahan yang didapatkan dari model Random
Forest dapat digunakan untuk pengambilan keputusan serta membuat kebijakan
untuk melindungi wilayah yang memiliki tingkat keparahan tinggi agar dapat
melakukan regenerasi biodiversitas pasca kebakaran di wilayah tersebut dengan
baik dan aman dari gangguan.