Prediksi Kebakaran Lahan Gambut di KHG Sungai Kapuas-Sungai Barito Menggunakan Support Vector Machines (SVM)

Abstract

Kebakaran lahan gambut menjadi ancaman serius terhadap lingkungan dan kesehatan masyarakat, khususnya di Kalimantan Tengah. Penelitian ini bertujuan untuk memprediksi kejadian kebakaran lahan gambut di Kesatuan Hidrologis Gambut (KHG) Sungai Kapuas–Sungai Barito menggunakan metode Support Vector Machine (SVM). Model dikembangkan dengan memanfaatkan data reanalisis ERA5-Land, data hotspot MODIS, serta indeks vegetasi dari Sentinel-2 periode 2016–2024. Koreksi bias dijalankan menggunakan regresi linier dan Quantile Mapping, diikuti klasifikasi multikelas dengan pendekatan One-vs-Rest (OvR) dan SMOTE (Synthetic Minority Oversampling Tecnique) untuk menyeimbangkan kelas confidence. Hasil prediksi model menunjukkan kinerja terbaik pada musim kemarau (JJA) dengan akurasi 0,81 dan nilai kappa 0,39 dengan nilai AUC berkisar antara 0,74–0,78. Sebaliknya, pada musim peralihan (SON), performa menurun (akurasi = 0,49; kappa = 0,10) dengan nilai AUC berkisar antara 0,58–0,62. Model juga mencatat skor recall, precision, dan f1 tinggi pada kelas nominal untuk periode JJA (1,00; 0,82; 0,90) dan periode SON (0,67; 0,64; 0,66), yang mengindikasikan kemampuan pemisahan yang baik. Kesalahan klasifikasi paling banyak terjadi pada kelas kepercayaan rendah (low) yang kurang terwakili. Secara keseluruhan, SVM dengan pendekatan OvR dan SMOTE menunjukkan potensi yang menjanjikan dalam prediksi kebakaran lahan gambut, terutama di musim kemarau, serta dapat mendukung sistem peringatan dini di wilayah rawan kebakaran.