Perbandingan Metode Penilaian Tingkat Keparahan Kebakaran Hutan dan Lahan Dengan Pendekatan Machine Learning

Abstract

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.