Modul Analisis Tingkat Keparahan Kebakaran Hutan dan Lahan pada Aplikasi SIPP Karhutla Menggunakan Convolutional Neural Network

Abstract

Kebakaran hutan dan lahan (karhutla) merupakan suatu bencana yang membahayakan keselamatan manusia, infrastruktur, dan keanekaragaman hayati. Karhutla juga memiliki kontribusi pada perubahan lingkugan global, selain konsekuensi ekonomi dan sosial yang signifikan di tingkat regional dan lokal. Meningkatnya kekhawatiran ini telah mendorong Pemerintah melakukan investasi untuk meningkatkan upaya pengendalian karhutla dan telah menjadi fokus utama perhatian masyarakat dan Pemerintah Indonesia. Kementerian Lingkungan Hidup dan Kehutanan (KLHK) membentuk brigade pengendalian karhutla yang diberi nama Manggala Agni yang merupakan tim pemadam kebakaran dan tenaga operasional teknis dalam pengendalian karhutla, termasuk memonitoring secara langsung bagaimana keparahan yang ditimbulkan pasca karhutla. Selama ini pengukuran tingkat keparahan karhutla didasarkan pada observasi lapangan terhadap kondisi vegetasi dan kondisi tanah. Metode pengukuran ini memiliki kekurangan antara lain faktor biaya, waktu dan cakupan area yang terbatas, sehingga dibutuhkan suatu cara untuk menanganinya. Upaya yang telah dilakukan oleh KLHK ialah dengan membuat inovasi berupa aplikasi untuk pendataan, berupa Sistem Informasi Patroli Pencegahan Kebakaran Hutan dan Lahan (SIPP Karhutla). SIPP Karhutla terdiri tiga platform yaitu berbasis website, mobile dan sistem basis data spasial. Platform aplikasi yang digunakan oleh Manggala Agni dilapangan adalah berbasis mobile, dimana aplikasi mobile ini memiliki beberapa modul, seperti modul observasi. Modul ini digunakan untuk mendokumentasikan segala aktifitas observasi dilapangan seperti pengambilan citra area pasca pemadaman karhutla. Pengambilan citra tersebut bertujuan sebagai bahan pertimbangan dalam penentuan tingkat keparahan area yang terdampak karhutla. Aplikasi mobile SIPP Karhutla saat ini belum dilengkapi dengan modul otomatis yang dapat menentukan tingkat keparahan karhutla secara efektif, maka diperlukan suatu inovasi. Tujuan utama penelitian ini, yaitu membangun modul analisis dari penerapan model klasifikasi menggunakan arsitektur CNN yaitu MobileNetV2, yang diintegrasikan dalam aplikasi mobile SIPP Karhutla sebagai salah satu inovasi. Penelitian ini berhasil mengembangkan model arsitektur MobileNetV2 dengan menerapkan teknik hyperparameter tuning melalui grid search, diperoleh kombinasi parameter optimal yaitu batch size = 16, learning rate = 0,0001, dan dropout = 0,3. Model yang dihasilkan menunjukkan performa yang cukup baik dengan akurasi mencapai 88,8%, precision sebesar 90,6%, dan recall sebesar 85,3%. Penggunaan hyperparameter tuning melalui grid search, serta pendekatan klasterisasi dataset menggunakan K-Means sebelum proses pelatihan model, terbukti berhasil meningkatkan kinerja model dan dapat diimplementasikan langsung pada aplikasi mobile. Model yang telah diintegrasikan pada modul analisis SIPP Karhutla, berhasil menganalisis tingkat keparahan karhutla dan memberikan hasil klasifikasi secara akurat saat diuji pada area pasca pemadaman karhutla. Pengujian modul analisis dilakukan di Daerah Operasi Manggala Agni Pekanbaru Riau pada 9 – 10 Desember 2024, dimulai dengan sosialisasi dan pelatihan kepada anggota Manggala Agni mengenai penggunaan modul analisis. Pengujian menggunakan metode User Acceptance Testing (UAT), dimana pengguna menguji modul dan mengisi Google Form terkait modul tersebut. Hasil uji coba modul analisis menunjukkan bahwa pengguna merasa antarmuka mudah digunakan, fungsi utama berjalan lancar, dan kinerja sistem cepat dengan sedikit kesalahan. Pengujian lapangan di 3 titik area pasca pemadaman karhutla menunjukkan bahwa modul dapat memprediksi tingkat keparahan karhutla dengan akurasi tinggi, sesuai dengan standar penilaian. Faktor pengambilan citra, terutama dengan memastikan maksimal 20% dari citra memperlihatkan langit, sementara 80% lainnya menampilkan hamparan lahan, terbukti mempengaruhi hasil prediksi dan probabilitasnya. Secara keseluruhan, hasil pengujian menunjukkan bahwa modul analisis tingkat keparahan karhutla memiliki performa yang baik, baik dalam pengujian di lingkungan simulasi maupun implementasi lapangan. Modul ini dinilai mampu memenuhi kebutuhan pengguna dengan beberapa saran perbaikan untuk menyempurnakan kualitasnya. Penelitian ini juga diharapkan dapat memberikan informasi dan pengetahuan yang berguna untuk membantu KLHK dalam merumuskan program rehabilitasi area pasca kebakaran hutan dan lahan secara efektif di masa yang akan datang.

Forest and land fires (karhutla) are a disaster that risk human safety, infrastructure, and biodiversity. Fire also contributes to global environmental change, in addition to significant economic and social consequences at the regional and local levels. The growing concerns have prompted the government to invest in enhancing efforts to control forest and land fires, which has become a primary focus of attention for both the public and the Indonesian government. The Ministry of Environment and Forestry (MoEF) formed a forest and land fire control brigade called Manggala Agni which is a team of firefighters and technical operational personnel in controlling forest and land fires, including directly monitoring how the severity caused by forest and land fires. So far, the measurement of the severity of forest and land fires is based on field observations of vegetation and soil conditions. This measurement method has shortcomings including cost, time and limited area coverage, so a way is needed to handle it. Efforts that have been made by MoEF are to make innovations in the form of applications for data collection, in the form of the Forest and Land Fire Prevention Patrol Information System (SIPP Karhutla). SIPP Karhutla consists of three platforms, website-based, mobile, and spatial database systems. The platform used by Manggala Agni in the field is mobile-based, and this mobile application has several modules, such as the observation module. This module is used to document all field observation activities, such as capturing images of the area after the forest and land fire suppression. The purpose of capturing these images is to serve as a consideration in determining the severity level of the area affected by forest and land fires. The current SIPP Karhutla mobile application does not yet have an automated module that can effectively determine the severity of the fire, thus requiring an innovation. The main objective of this research is to build an analysis module from the application of a classification model using CNN architecture, namely MobileNetV2, which is integrated in the SIPP Karhutla mobile application as one of the innovations. This research successfully developed the MobileNetV2 architecture model by applying hyperparameter tuning techniques through grid search, obtained the optimal parameter combination of batch size = 16, learning rate = 0.0001, and dropout = 0.3. The resulting model shows good performance with accuracy reaching 88.8%, precision of 90.6%, and recall of 85.3%. The use of hyperparameter tuning through grid search, along with a dataset clustering approach using Kmeans before the model training process, has proven to successfully improve the model's performance and can be directly implemented in the mobile application. The model, which has been integrated into the SIPP Karhutla analysis module, successfully analyzes the severity of forest and land fires and provides accurate classification results when tested on areas post-fire suppression. The analysis module testing was conducted at the Manggala Agni Operational Area in Pekanbaru, Riau, on December 9–10, 2024, starting with a socialization and training session for Manggala Agni members on how to use the analysis module. The testing was carried out using the User Acceptance Testing (UAT) method, where users tested the module and filled out a Google Form related to the module. The analysis module testing results showed that users found the interface easy to use, the main functions worked smoothly, and the system performance was fast with few errors. Field testing at three post-fire suppression sites demonstrated that the module could predict the severity of forest and land fires with high accuracy, in line with assessment standards. The image acquisition factor, particularly ensuring that a maximum of 20% of the image shows the sky while the remaining 80% displays the land area, proved to significantly affect the prediction results and their probabilities. Overall, the testing results show that the forest and land fire severity analysis module perform well, both in simulated environments and field implementation. The module is deemed capable of meeting user needs, with several suggestions for improvements to enhance its quality. This research is expected to provide useful information and knowledge to assist MoEF in formulating effective rehabilitation programs for areas after forest and land fires in the future.