Prediksi Risiko Karhutla Di Provinsi Nusa Tenggara Timur Dengan Metode Recurrent Neural Network (RNN)

Utomo, Jihan Husnia (2025) Prediksi Risiko Karhutla Di Provinsi Nusa Tenggara Timur Dengan Metode Recurrent Neural Network (RNN). Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5026211019-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (15MB) | Request a copy

Abstract

Kebakaran Hutan dan Lahan (Karhutla) merupakan masalah alam tahunan yang terus-menerus menjadi sorotan publik. Provinsi NTT merupakan salah satu provinsi dengan luas karhutla tertinggi selama lima tahun terakhir. Pada periode 1 Januari – 31 Juli 2024, luas karhutla di NTT mengalami kenaikan sebesar 27,37% dibandingkan periode yang sama pada 2023. Sebagai salah satu strategi pengendalian karhutla, Gubernur NTT telah membentuk Satgas Dalkarhutla dan Brigdalkarhutla pada 2023 lalu. Untuk membantu pihak berwenang dalam mengidentifikasi wilayah di NTT yang rentan mengalami karhutla, pendekatan prediktif dapat dilakukan sebagai salah satu upaya pencegahan. BMKG sendiri telah menggunakan strategi pencegahan serupa berupa peta peringatan karhutla. Namun, peta tersebut hanya mempertimbangkan faktor meteorologis saja. Padahal, faktor aktivitas manusia juga berkontribusi dalam terjadinya karhutla di Provinsi NTT. Maka dari itu, tugas akhir ini bertujuan untuk memprediksi risiko karhutla di Provinsi NTT menggunakan metode Recurrent Neural Network (RNN) dengan mempertimbangkan faktor meteorologis dan aktivitas manusia. Metode RNN dipilih karena memiliki keunggulan dalam memproses data berurutan, serta kemampuan memori untuk mengingat informasi dari nilai masukan sebelumnya dalam menghasilkan nilai luaran saat ini. Hasil eksplorasi menunjukkan bahwa skenario 90%-10% dan fungsi aktivasi tanh cenderung memberikan nilai RMSE dan MAE yang kecil pada sebagian besar kabupaten. Namun, belum ada model yang sepenuhnya menangkap pola karhutla di Provinsi NTT. Model RNN yang dilatih dengan data titik panas dengan selang kepercayaan tinggi memiliki performa yang lebih baik dibandingkan model lainnya, meskipun terdapat 2 kabupaten yang belum berhasil dimodelkan, yaitu Kabupaten Kupang dan Sumba Timur. Hasil prediksi risiko karhutla juga divisualisasikan ke dalam bentuk peta menggunakan perangkat lunak QGIS untuk mempermudah pembacaan hasil prediksi. Hasil prediksi untuk tanggal 1 Juni 2025 menunjukkan bahwa hampir seluruh kabupaten di Provinsi NTT berisiko rendah mengalami rendah, kecuali Kabupaten Lembata dengan risiko sedang. Tugas akhir ini diharapkan dapat membantu pihak berwenang dalam mengidentifikasi wilayah di NTT yang rentan mengalami karhutla, sehingga alokasi regu pemadam dapat dilakukan secara tepat.
=========================================================================================================================================
Forest and land fires are natural annual problems that have continuously attracted public attention. East Nusa Tenggara (NTT) province has had the highest forest and land fire area for the last 5 years. From January 1st – July 31st, 2024, the area of forest and land fires increased by approximately 27,37% compared with the previous period in 2023. As one of the fire control efforts, Governor NTT formed Satgas Dalkarhutla and Brigdalkarhutla in 2023. To help the authorities identify areas in NTT that are vulnerable to fire, a predictive approach can be done as one of the prevention efforts. Currently, the Indonesian Agency for Meteorology, Climatology, and Geophysics (BMKG) has implemented a preventive strategy similar to that of fire susceptibility maps. However, this map still has limitations because it only considers meteorological factors. Human activities have contributed to forest and land fires that occur in the NTT. This work aims to predict forest and land fire risk in NTT province using a Recurrent Neural Network (RNN), considering meteorological and human activity factors. RNNs were chosen due to their advantages in processing sequential data and their ability to remember information from previous input data to predict the current output value. Results from this work show that the 90%-10% data split scenario and tanh activation function tend to produce lower RMSE and MAE values across most regencies. However, no model has been able to fully capture the fire risk patterns in NTT. The RNN model trained using hotspot data with high confidence demonstrated better performance compared to other models, although there were two regencies, Kupang and Sumba Timur, that could not be accurately modeled. The forest and land fire risk prediction results are also visualized in a risk prediction map using QGIS software, allowing for quicker review of the prediction results in this work. Prediction results for June 1st, 2025, show that all regencies in NTT, except Lembata, are predicted to be at low risk of fire. Meanwhile, Lembata regency is predicted to be at medium risk of fire. This work is expected to help authorities identify areas in NTT that are vulnerable to fire, ensuring the accurate allocation of fire brigades.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Kebakaran Hutan dan Lahan, Prediksi Risiko, Faktor Aktivitas Manusia, Faktor Meteorologis, Recurrent Neural Network
Subjects:	Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) S Agriculture > SD Forestry > SD387.F52 Fire management T Technology > T Technology (General) > T174 Technological forecasting
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 57201-(S1) Undergraduate Thesis
Depositing User:	Jihan Husnia Utomo
Date Deposited:	28 Jul 2025 08:17
Last Modified:	28 Jul 2025 08:17
URI:	http://repository.its.ac.id/id/eprint/122465

Actions (login required)

View Item