Please use this identifier to cite or link to this item:
http://repository.ipb.ac.id/handle/123456789/157266
Title: | Model Prediksi Kadar Air sebagai Peringatan Dini Kebakaran Hutan dan Lahan Gambut menggunakan Machine Learning |
Other Titles: | Soil Moisture Prediction Model for Early Warning of Forest and Peatland Fires Using Machine Learning |
Authors: | Sitanggang, Imas Sukaesih Syaufina, Lailan TAIHUTTU, HELDA YUNITA |
Issue Date: | 2024 |
Publisher: | IPB University |
Abstract: | Kebakaran hutan dan lahan (karhutla) merupakan masalah serius di Indonesia.
Salah satu daerah rawan karhutla adalah Kabupaten Ogan Komering Ilir (OKI),
Sumatera Selatan, yang memiliki luas lahan gambut terbesar di provinsi tersebut.
Lahan gambut terdiri dari bahan organik yang terakumulasi selama ribuan tahun,
memainkan peran penting dalam regulasi iklim, biodiversitas, dan penyimpanan
karbon. Kekeringan pada lahan gambut meningkatkan risiko karhutla karena
material organik yang kering mudah terbakar. Kebakaran di lahan gambut masih
bisa terjadi pada kadar air kurang dari 100 %. Studi sebelumnya telah menunjukkan
bahwa kadar air yang rendah meningkatkan risiko kebakaran. Oleh karena itu,
pengukuran dan pemantauan kadar air di lahan gambut merupakan langkah awal
peringatan dini karhutla.
Penelitian ini bertujuan untuk membuat model prediksi kadar air sebagai
indikator karhutla di lahan gambut menggunakan algoritma Random Forest
Regressor (RFR) dan Support Vector Regression (SVR). Penelitian ini juga
mencakup pembuatan kelas kerawanan karhutla dan peta kerawanan berdasarkan
hasil prediksi, serta mengevaluasi pemetaan kerawanan karhutla menggunakan data
hotspot. Data yang digunakan untuk membuat model prediksi kadar air yaitu kadar
air, curah hujan, temperatur mulai dari 01 Agustus 2019 sampai 31 Desember 2023,
serta data kematangan dan ketebalan gambut dari peta lahan gambut tahun 2019.
Tahapan penelitian meliputi praproses data, pembagian data, pembangunan model
prediksi, evaluasi model, dan pemetaan.
Penelitian ini telah berhasil membuat model prediksi kadar air menggunakan
algoritma RFR dan SVR. Model terbaik untuk prediksi kadar air dengan RFR
memiliki konfigurasi jumlah pohon sebanyak 185, kedalaman pohon maksimum 30,
tidak ada batasan fitur yang dipertimbangkan setiap kali membagi pohon, jumlah
minimal sampel pada daun 1, dan jumlah minimal sampel yang dibutuhkan untuk
membagi node 2. Model RFR memiliki nilai R² 0,914, MAPE 0,969, MAE 0,0081,
MSE 0,0007 dan RMSE 0,0271. Model terbaik SVR menggunakan kernel radial
basis function, nilai regulasi 4, nilai epsilon 0,01, dan gamma 600, dengan nilai
R² 0,878, MAPE 1,882%, MAE 0,0162, MSE 0,0011, dan RMSE 0,0330. Dari
kedua model yang digunakan, model RFR lebih unggul daripada SVR. Hasil
prediksi dari RFR divisualisasikan dalam bentuk peta kerawanan dan dievaluasi
dengan menggunakan data hotspot. Peta kerawanan menunjukan luas masing masing kelas kerawanan yaitu Rawan Tinggi: 2.000 km², Rawan Sedang: 2.300
km², dan Rawan Rendah: 1.400 km². Penelitian ini tidak hanya berhasil
mengembangkan model prediksi kadar air yang efektif tetapi juga menghasilkan
peta kerawanan karhutla, yang menunjukkan potensi besar dalam meningkatkan
sistem peringatan dini karhutla. Forest and land fires are serious issues in Indonesia. One of the fire prone area is Ogan Komering Ilir (OKI) Regency, South Sumatra, which has the largest peatland area in the province. Peatland, composed of organic material accumulated over thousands of years, plays a crucial role in climate regulation, biodiversity, and carbon storage. The dryness of peatland increases the risk of fires as the dry organic material is highly flammable. Fires can still occur in peatland with soil moisture below 100%. Previous studies have shown that low soil moisture increase fire risk. Therefore, measuring and monitoring soil moisture in peatland are essential steps for early warning of forest and land fires. This research aims to develop a soil moisture prediction model as an indicator of fires in peatland using the Random Forest Regressor (RFR) and Support Vector Regression (SVR) algorithms. The study also involves creating fire vulnerability classes and vulnerability maps based on prediction results and evaluating the fire vulnerability mapping using hotspot data. The data used to create the soil moisture prediction model include soil moisture, rainfall, temperature from August 1, 2019, to December 31, 2023, and peat maturity and thickness data from the 2019 peatland map. The research stages include data preprocessing, data splitting, model development, model evaluation, and mapping. The research successfully developed a soil moisture prediction model using RFR and SVR algorithms. The best model for soil moisture prediction with RFR had a configuration of 185 trees, a maximum tree depth of 30, no feature limit considered at each split, a minimum of 1 sample per leaf, and a minimum of 2 samples required to split a node. This model had R² 0,914, MAPE 0,969, MAE 0,0081, MSE 0,0007, and RMSE 0,0271. The best SVR model used a radial basis function kernel, a regularization value of 4, an epsilon value of 0,01, and a gamma value of 600, with R² 0,878, MAPE 1,882%, MAE 0,0162, MSE 0,0011, and RMSE 0,0330. Among the two models used, the RFR model outperformed the SVR model. The prediction results from the RFR were visualized in the form of vulnerability maps and evaluated using hotspot data. The vulnerability maps show the area for each vulnerability class: High Vulnerability: 2,000 km², Medium Vulnerability: 2,300 km², and Low Vulnerability: 1,400 km². This research not only successfully developed an effective soil moisture prediction model but also produced fire vulnerability maps, demonstrating significant potential in enhancing early warning systems for forest and land fires. |
URI: | http://repository.ipb.ac.id/handle/123456789/157266 |
Appears in Collections: | MT - Mathematics and Natural Science |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
cover_G6501222051_91062cb1932f409da264d16c09afec62.pdf | Cover | 512.07 kB | Adobe PDF | View/Open |
fulltext_G6501222051_3cb6c6056304448c84dfbe0750a905e6.pdf Restricted Access | Fulltext | 1.23 MB | Adobe PDF | View/Open |
lampiran_G6501222051_03a4680763994076af0f93653af8ef47.pdf Restricted Access | Lampiran | 329.29 kB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.