Prediksi Kebakaran Hutan dan Lahan Berdasarkan Jumlah Hotspot Menggunakan Model Bayes Spatio-Temporal di Pulau Kalimantan

Abstract

Kebakaran hutan dan lahan merupakan peristiwa umum yang terjadi di Indonesia, terutama di Pulau Kalimantan, yang dampaknya tidak hanya dirasakan di wilayah tersebut tetapi juga menyebar ke negara-negara tetangga. Salah satu indikator yang menunjukkan terjadinya kebakaran hutan dan lahan adalah adanya klaster hotspot. Terdapat banyak faktor yang berkontribusi terhadap kejadian kebakaran ini, di antaranya adalah iklim yang dapat menyebabkan pola hotspot di suatu lokasi menjadi tidak stabil dan sulit untuk diprediksi.

Pengembangan model risiko kebakaran sangat penting untuk meningkatkan sistem peringatan dini kebakaran hutan dan lahan di Indonesia. Pendekatan yang cocok dengan pola data hotspot diperlukan untuk mendapatkan prediksi yang tepat. Langkah pertama dalam pengembangan model ini melibatkan analisis dua aspek, yaitu spasial dan temporal, karena banyaknya kasus kebakaran yang memiliki penyebab dan dipengaruhi oleh faktor yang berbeda-beda di suatu wilayah. Selain faktor waktu, kondisi geografis juga berperan penting dalam menentukan tingkat keparahan kebakaran hutan dan lahan. Salah satu metode yang sering digunakan untuk analisis spasial-temporal adalah pendekatan Bayes. Meskipun Bayes umumnya diterapkan dalam bidang kesehatan, penggunaannya dalam klimatologi, khususnya untuk analisis kebakaran hutan, masih terbatas.

Penelitian ini bertujuan untuk memprediksi jumlah hotspot secara spasial dan temporal selama satu bulan ke depan di Pulau Kalimantan, serta untuk menganalisis pengaruh faktor-faktor iklim lokal terhadap hotspot. Metode yang digunakan adalah Bayesian Conditional Autoregressive yang dikombinasikan dengan pendekatan Integrated Nested Laplace Approximation (INLA), dengan pemilihan bobot optimal menggunakan Getis-Ord G untuk mencapai prediksi yang lebih akurat. Terdapat enam model yang digunakan yaitu model linier, aditif, aditif dengan interaksi, dan variasi dengan atau tanpa peubah penjelas. Peubah respons adalah jumlah hotspot di 696 lokasi di Pulau Kalimantan, sedangkan peubah penjelas meliputi curah hujan, jumlah hari tanpa hujan, suhu udara, kecepatan angin, dan kelembaban. Model terbaik dipilih berdasarkan kriteria Informasi Deviance Criterion (DIC), sementara evaluasi model menggunakan Root Mean Square Error Prediction (RMSEP) dan Average Absolute Prediction Error (AAPE).

Penelitian ini diawali dengan eksplorasi data jumlah hotspot di Pulau Kalimantan dari tahun 2006 hingga 2020. Hasil penelitian menunjukkan pola spasial hotspot yang bergerombol terutama terjadi di Provinsi Kalimantan Tengah pada beberapa bulan tertentu seperti Januari, Maret, Agustus, dan November, sedangkan bulan lainnya memiliki jumlah hotspot yang umumnya rendah. Secara temporal, tahun 2006 dan 2015 menonjol dengan jumlah hotspot yang tinggi, yang sebagian besar terkait dengan kejadian kebakaran hutan dan lahan yang signifikan, dipengaruhi oleh fenomena iklim seperti El Nino pada tahun 2015 dan faktor manusia pada tahun 2006. Analisis sebaran data hotspot menunjukkan kemiringan positif dan sebaran ekor panjang, mencerminkan adanya nilai ekstrem dalam data tersebut. Evaluasi terhadap sebaran statistik menunjukkan bahwa sebaran Binomial Negatif lebih cocok dengan data dibandingkan sebaran Poisson.

Langkah selanjutnya adalah melakukan analisis korelasi untuk mengevaluasi dampak faktor iklim terhadap jumlah hotspot di berbagai lokasi. Pola korelasi menunjukkan bahwa curah hujan tinggi umumnya berkaitan dengan jumlah hotspot yang rendah, meskipun pengaruh ini bervariasi di setiap lokasi. Sementara itu, hari tanpa hujan yang panjang cenderung meningkatkan risiko kebakaran, terutama pada bulan Agustus di Kalimantan Barat, Tengah, dan Timur. Suhu udara yang tinggi memperkuat potensi kebakaran dengan memudahkan bahan bakar alami terbakar. Kelembaban yang rendah juga berkontribusi terhadap penyebaran api dan peningkatan risiko kebakaran. Namun, kecepatan angin memiliki pengaruh yang berbeda di setiap lokasi, sehingga perlu ditinjau lebih lanjut.

Uji dependensi spasial dilakukan untuk menilai apakah terdapat pengaruh spasial atau lokasi terhadap kejadian hotspot. Hasil uji menunjukkan signifikansi yang tinggi untuk Provinsi Kalimantan Barat, menandakan kemungkinan keberadaan hotspot yang tinggi di provinsi tersebut, terutama pada bulan Januari. Temuan serupa juga berlaku untuk Kalimantan Selatan, dengan titik hotspot yang signifikan hampir setiap bulan. Sementara itu, Provinsi Kalimantan Tengah dan Timur menunjukkan potensi kejadian hotspot di beberapa titik lokasi tertentu. Pada bulan Januari-Maret, Mei-Agustus, dan November, kebakaran hutan dan lahan cenderung terkonsentrasi pada wilayah yang berdekatan atau sekitar 2 tetangga, menunjukkan adanya aktivitas hotspot yang terlokalisasi dan terfokus. Sebaliknya, bulan April, September, dan Desember menunjukkan potensi hotspot yang melibatkan sekitar 3 tetangga atau lebih banyak lokasi yang berdekatan, sementara bulan Oktober dapat melibatkan hingga 4 tetangga, menandakan sebaran hotspot yang lebih merata dan tersebar luas.

Tahap terakhir yaitu membangun model spatio-temporal Bayesian CAR. Bobot optimum yang digunakan dalam model berdasarkan Getis Ord-G terbesar yaitu jarak Invers. Model yang fit dan memberikan pendugaan terbaik yaitu model aditif dan interaksi dengan peubah penjelas dengan nilai DIC sebesar 97799,8. Hasil prediksi dari model terbaik memiliki RMSEP 7,08 dan AAPE 0,63. Model ini mampu menggambarkan pola hotspot secara spasial dan temporal, namun belum mampu memprediksi kejadian ekstrem dengan baik yang terlihat pada hasil evaluasi model. Model ini menunjukkan bahwa faktor iklim, seperti curah hujan yang rendah, hari tanpa hujan yang berkepanjangan, suhu udara yang tinggi, dan kelembaban yang rendah secara signifikan berkontribusi pada peningkatan jumlah hotspot di pulau Kalimantan.

Forest and land fires are common events that occur in Indonesia, especially on the island of Kalimantan, whose impacts are not only felt in the region but also spread to neighboring countries. One indicator that shows the occurrence of forest and land fires is the existence of hotspot clusters. There are many factors that contribute to this fire incident, including the climate, which can cause the hotspot pattern in a location to become unstable and difficult to predict.

Developing a fire risk model is very important to improve the early warning system for forest and land fires in Indonesia. An approach that matches hotspot data patterns is needed to obtain correct predictions. The first step in developing this model involves analyzing two aspects, namely spatial and temporal, because many fire cases have different causes and are influenced by different factors in an area. Apart from the time factor, geographical conditions also play an important role in determining the severity of forest and land fires. One method that is often used for spatial-temporal analysis is the Bayes approach. Although Bayes is commonly applied in the field of health, its use in climatology, particularly for forest fire analysis, is limited.

This research aims to predict the number of hotspots spatially and temporally for the next month on Kalimantan Island, as well as analyze the influence of local climate factors on hotspots. The method used is Bayesian Conditional Autoregressive combined with the Integrated Nested Laplace Approximation (INLA) approach, with optimal weight selection using Getis-Ord G to achieve more accurate predictions. There are six models used, namely linear, additive, additive with interaction, and variational models with or without explanatory variables. The response variable is the number of hotspots in 696 locations on Kalimantan Island, while the explanatory variables include rainfall, the number of days without rain, air temperature, wind speed, and humidity. The best model is selected based on the Deviance Information Criterion (DIC) criteria, while model evaluation uses root mean square error prediction (RMSEP) and average absolute prediction error (AAPE).

This research begins with an exploration of data on the number of hotspots on the island of Kalimantan from 2006 to 2020. The results of the research show that the spatial pattern of clustered hotspots mainly occurs in Central Kalimantan Province in certain months, such as January, March, August, and November, while other months have a higher number of hotspots. Hotspots are generally low. Temporally, 2006 and 2015 stand out with a high number of hotspots, most of which were associated with significant forest and land fire events, influenced by climate phenomena such as El Nino in 2015 and human factors in 2006. Analysis of the distribution of hotspot data shows a skew positive and heavy tails of the distribution, reflecting the presence of extreme values in the data. Evaluation of the statistical distribution shows that the Negative Binomial distribution fits the data better than the Poisson distribution.

The next step is to carry out correlation analysis to evaluate the impact of climate factors on the number of hotspots in various locations. The correlation pattern shows that high rainfall is generally associated with a low number of hotspots, although this effect varies by location. Meanwhile, long days without rain tend to increase the risk of fires, especially in August in West, Central, and East Kalimantan. High air temperatures increase the potential for fire by making it easier for natural fuels to burn. Low humidity also contributes to the spread of fire and the increased risk of fire. However, wind speed has a different influence at each location, so it needs to be reviewed further.

Spatial dependency tests are carried out to assess whether there is a spatial or location influence on hotspot occurrence. The test results show high significance for West Kalimantan Province, indicating a high probability of hotspot existence in the province, especially in January. Similar findings also apply to South Kalimantan, with significant hotspots almost every month. Meanwhile, Central and East Kalimantan Provinces show the potential for hotspots in certain locations. In January-March, May-August, and November, forest and land fires tend to be concentrated in adjacent areas or around two neighbors, indicating localized and focused hotspot activity. In contrast, April, September, and December show potential hotspots involving around 3 or more neighbors in close proximity, while October can involve up to 4 neighbors, indicating a more even and widespread distribution of hotspots.

The final stage is building a Bayesian CAR spatio-temporal model. The optimum weight used in the model based on the largest Getis Ord-G is the inverse distance. The model that is fit and provides the best estimate is the additive and interaction model with explanatory variables with a DIC value of 97799.8. The prediction results from the best model have RMSEP 7.08 and AAPE 0.63. This model can describe hotspot patterns spatially and temporally, but it is not able to predict extreme events well, as seen in the model evaluation results. This model shows that climate factors, such as low rainfall, prolonged rainless days, high air temperatures, and low humidity, significantly contribute to the increase in the number of hotspots on the island of Kalimantan.