Klasifikasi Tingkat Keparahan Karhutla Berdasarkan Citra Satelit Menggunakan Convolutional Neural Network

Abstract

Kebakaran hutan dan lahan (karhutla) merupakan salah satu bencana lingkungan yang memiliki dampak signifikan terhadap ekosistem, kesehatan masyarakat, dan ekonomi. Informasi tingkat keparahan karhutla yang akurat, konsisten dan tepat waktu sangat dibutuhkan untuk mendukung strategi mitigasi, penanggulangan, serta rehabilitasi pascakebakaran. Penelitian ini bertujuan untuk membangun model klasifikasi tingkat keparahan kebakaran hutan dan lahan (karhutla) di Kabupaten Banjar, Kalimantan Selatan, menggunakan data citra Sentinel-2 periode Juni 2023 (pre-fire) dan September 2023 (post-fire) yang diproses menjadi subcitra (patch) dan diklasifikasikan ke dalam lima kategori (Unburned, Low, Moderate, High, Very High). Empat arsitektur Convolutional Neural Networks (CNN), yaitu VGG16, VGG19, InceptionV3, dan EfficientNetB0, digunakan dengan pendekatan transfer learning dan dibandingkan dengan metode referensi berbasis indeks differenced Normalized Burn Ratio (dNBR). Penelitian dilakukan melalui dua percobaan, yaitu percobaan pertama menggunakan teknik oversampling untuk memperbanyak data pada kelas minoritas sehingga distribusi antar kelas lebih seimbang, lalu percobaan kedua menggabungkan oversampling dan undersampling untuk sekaligus mengurangi dominasi kelas mayoritas. Tahapan penelitian meliputi praproses citra, perhitungan dNBR, klasifikasi CNN, dan evaluasi menggunakan metrik akurasi, F1-score, sensitivitas, spesifisitas, serta analisis pola spasial. Hasil klasifikasi dNBR menunjukkan dominasi kategori Unburned (48,32%) dan Low (27,45%), sedangkan High dan Very High mencakup area yang relatif kecil. Pada percobaan pertama yang hanya menggunakan oversampling, EfficientNet-B0 menunjukkan kinerja terbaik dengan akurasi 94,21%, diikuti VGG16 (90,94%) dan VGG19 (89,67%), sedangkan InceptionV3 relatif rendah (66,80%). Percobaan kedua menggunakan oversampling dan undersampling memperlihatkan penurunan akurasi pada semua model, meskipun EfficientNet-B0 tetap unggul (83,91%) dan VGG19 konsisten mendekati pola dNBR, sementara InceptionV3 cenderung memprediksi proporsi kelas High lebih tinggi. Hasil ini menunjukkan bahwa CNN, terutama EfficientNet-B0 dan VGG19, mampu memberikan prediksi tingkat keparahan karhutla dengan akurasi tinggi dan konsistensi yang baik, menjadikannya pendekatan yang efektif untuk mendukung pemantauan, serta strategi rehabilitasi pascakebakaran.