Model spatio-temporal untuk prediksi kemunculan titik panas pada lahan gambut di Kabupaten Siak menggunakan SARIMA dan Elman Recurrent Neural Network

Abstract

Hutan merupakan ekosistem yang penting untuk manusia, karena hutan merupakan paru-paru dunia. Saat ini luas hutan di Indoneia mulai berkurang. Salah satu penyebab berkurangnya luas hutan di Indonesia adalah kebakaran hutan. Dampak dari kebakaran hutan dapat menyebabkan kerugian ekonomi, gangguan kesehatan dan polusi udara. Kebakaran pada lahan gambut merupakan kebakaran yang sulit dipadamkan karena didominasi oleh kebakaran bawah. Titik panas merupakan indikator terjadinya kebakaran hutan yang mengindikasikan suatu lokasi yang memiliki suhu relatif tinggi dibandingkan suhu di sekitarnya. Data titik panas termasuk dalam data deret waktu karena pencatatan dari munculnya titik panas berdasarkan runtut waktu. Salah satu metode yang dapat digunakan untuk melakukan prediksi terhadap data deret waktu adalah ARIMA (Autoregressive Integrated Moving Average). Salah satu pengembangan dari model ARIMA adalah Seasonal ARIMA (SARIMA) yang cocok untuk digunakan terhadap data musiman. Elman Recurrent Neural Network (ERNN) merupakan jaringan syaraf tiruan yang mampu mengekstraksi fitur informatif dengan sistem yang dinamis pada hidden layer. Sebagai jaringan syaraf tiruan, arsitektur ini mampu mempelajari pola temporal dan spasial. Model spatio-temporal dibentuk dengan menggabungkan SARIMA sebagai model temporal dan ERNN sebagai model spasial. Kedua model tersebut digabungkan menggunakan regresi linier. Dalam penelitian ini diperoleh tiga model untuk memprediksi kemunculan titik panas di Kabupaten Siak Provinsi Riau, yaitu model SARIMA yang digunakan sebagai model temporal, model ERNN digunakan sebagai model spasial dan model spatio-temporal yang merupakan gabungan dari model SARIMA dan model ERNN. Penelitian ini menghasilkan model ARIMA(1,0,0)(1,1,1)12 sebagai model prediksi temporal untuk Kabupaten Siak dengan Normalized Mean Square Error (NMSE) sebesar 1.006331. Model prediksi spasial untuk Kabupaten Siak menggunakan data input titik panas dari Kabupaten Bengkalis, Kabupaten Rokan Hilir dan Kota Dumai dengan NMSE sebesar 0.999657. Model spatio-temporal merupakan model terbaik karena mempunyai NMSE terkecil yaitu 0.801653, Model prediksi yang dihasilkan tidak mampu memprediksi data aktual yang sangat tinggi seperti pada bulan Februari 2014 dan Maret 2014.