Pendugaan Titik Panas (Hotspot) Kebakaran Hutan Kabupaten/Kota di Nusa Tenggara Timur menggunakan Regresi Poisson dengan Pembelajaran Mesin

Abstract

Kebakaran hutan dan lahan adalah bencana yang sering terjadi di Indonesia dengan penyebab alami dan/atau buatan. Kebakaran hutan dapat dilacak menggunakan sensor pada satelit buatan yang dapat mendeteksi perbedaan suhu antarlokasi. Daerah dengan suhu di atas ambang batas kemudian dinamakan hotspot. Kasus hotspot harian bersifat diskret dan langka, sehingga dibutuhkan metode khusus untuk mendapatkan dugaan tepat pada waktu yang ditentukan. Regresi Poisson adalah metode statistika yang cocok digunakan ketika satuan peubah respon diukur diskret. Extreme Gradient Boosting adalah metode pembelajaran mesin ensemble yang mampu menangani permasalahan regresi Poisson seperti overdispersi dan data zero-inflated. Kementrian Lingkungan Hidup dan Kehutanan melaporkan Provinsi Nusa Tenggara Timur mengalami jumlah kasus hotspot lebih banyak dibandingkan daerah lainnya dan waktu sebelumnya. Penelitian ini bertujuan menggunakan Extreme Gradient Boosting dengan dasar regresi Poisson untuk menduga banyak kasus hotspot suatu waktu pada kabupaten/kota di Provinsi Nusa Tenggara Timur. Hasil kajian menunjukkan bahwa model terbaik memiliki rata-rata Root Mean Square Percentage Error sebesar 7,585 dan peubah terpenting pendugaan hotspot adalah kelembapan, aliran air bawah tanah, dan total tutupan awan.

Forest and land fires have become a common disaster in Indonesia with natural and/or human related causes. Fires can be tracked using sensors aboard satellites which detect differences in temperature between areas, with critically heated locations being dubbed a hotspot. Daily hotspot cases are discrete and rare in nature, which requires a sophisticated method to accurately predict the number of cases at a given time. Poisson regression is a statistical method suitable for when the response variable is expected to be in discrete values. Extreme Gradient Boosting is an ensemble machine learning method said to excel in handling Poisson regression issues such as overdispersion and zero-inflated data. The Ministry of Environment and Forestry reports an abnormally high count of hotspot cases in the province of East Nusa Tenggara relative to previous years and regions. This research aims to utilize Poisson regression-based Extreme Gradient Boosting to predict the number of hotspots at a given time within the regencies/cities of East Nusa Tenggara. Results show the best model has an average Root Mean Squared Percentage Error of 7.585 across all cities/regencies and hotspots are influenced most by humidity, runoff, and total cloud coverage.