Model Prediksi Hotspot Berbasis Variabel Iklim di Sumatera Selatan dan Sekitarnya Menggunakan XGBoost dengan Fitur Autoregresif

Abstract

Kebakaran hutan dan lahan di Provinsi Sumatera Selatan ditandai oleh kemunculan hotspot yang dipengaruhi kondisi iklim dan pola waktu. Penelitian ini bertujuan menganalisis pengaruh variabel iklim terhadap jumlah hotspot serta membangun model prediksi menggunakan Extreme Gradient Boosting (XGBoost) dengan fitur autoregresif. Data deret waktu bulanan periode 2001-2025 diolah melalui prapemrosesan, seleksi fitur, dan validasi berbasis waktu. Hasil menunjukkan bahwa kelembapan tanah dan curah hujan berkorelasi negatif terhadap jumlah hotspot, sedangkan hari tanpa hujan dan indeks iklim global berkorelasi positif. Model XGBoost dengan fitur autoregresif memberikan kinerja terbaik dengan Explained Variance Score sebesar 78,9% dan kesalahan prediksi lebih rendah dibandingkan model tanpa fitur autoregresif. Hasil ini menunjukkan bahwa fitur autoregresif dapat meningkatkan akurasi prediksi hotspot.

Forest and land fires in South Sumatra are indicated by hotspot occurrences influenced by climate conditions and temporal patterns. This study aims to analyze the influence of climate variables on hotspot counts and to develop a prediction model using Extreme Gradient Boosting (XGBoost) with autoregressive features. Monthly time series data from 2001 to 2025 were processed through preprocessing, feature selection, and time-based validation. The results show that soil moisture and rainfall are negatively correlated with hotspot counts, while dry days and global climate indices are positively correlated. The XGBoost model with autoregressive features achieved the best performance with an Explained Variance Score of 78.9% and lower prediction errors than the model without autoregressive features. These findings indicate that autoregressive features improve hotspot prediction accuracy.