Prediksi Risiko Kebakaran Hutan di Provinsi Kalimantan Selatan Menggunakan Metode Long Short-Term Memory

Zaini Ahmad, Fawwaz (2022) Prediksi Risiko Kebakaran Hutan di Provinsi Kalimantan Selatan Menggunakan Metode Long Short-Term Memory. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

Text 05211840000012-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2024. Download (4MB) | Request a copy

Abstract

Kebakaran hutan adalah bencana alam yang merusak sumber daya hutan, sehingga berdampak negatif pada manusia, hewan, dan tumbuhan yang bergantung pada ekosistem hutan. Pada tugas akhir ini dibuat model untuk memprediksi risiko kebakaran hutan di Provinsi Kalimantan Selatan. Risiko kebakaran hutan ditentukan dengan menghitung jumlah titik panas dalam sebuah kecamatan. Model prediksi dari tugas akhir ini diharapkan dapat membantu Manggala Agni Kalimantan Selatan agar bisa mengerahkan personel secara tepat sasaran. Data yang digunakan dalam membuat model dikumpulkan dari aplikasi SiPongi milik Kementerian Lingkungan Hidup dan Kehutanan, aplikasi Data Online – Pusat Database milik Badan Meteorologi Klimatologi dan Geofisika, serta Dataset GeoNames. Setelah pengambilan sampel dari data yang telah dikumpulkan, dilakukan uji multi-kolinearitas, normalisasi fitur, serta pembuatan variabel manusia. Dengan menggunakan variabel cuaca dan variabel manusia sebagai variabel independen, diimplementasikan algoritma long short-term memory untuk dilakukan permodelan secara time-series. Hasil percobaan menunjukkan bahwa model LSTM terbaik untuk memprediksi risiko kebakaran hutan pada kecamatan dengan risiko tinggi hingga menengah adalah adalah model dengan learning rate 0.0001, Beta 1 0.99, dan Beta 2 0.999. Learning rate 0.00001, Beta 1 0.9, dan Beta 2 0.99 untuk kecamatan dengan risiko menengah kebawah. Untuk risiko rendah, learning rate 0.00001, Beta 1 0.9, dan Beta 2 0.999. Fungsi aktivasi terbaik tampak acak, karena setiap departemen memiliki fungsi aktivasi terbaik yang tidak berkorelasi dengan nilai risiko.
=================================================================================================
Forest fires are natural disaster that damages forest resources and have a negative impact on humans, animals, and plants that depends on forest ecosystems. In this final project, a model is constructed to predict the risk of forest fires in South Kalimantan Province. Forest fire risk is determined by counting the number of hotspots in a sub-district, otherwise known as kecamatan in Indonesian. The prediction model generated from this final project is expected to help Manggala Agni, Indonesian name for forest rangers, of South Kalimantan, in order to mobilize personnel on target. The data used in making the model belonged to the Ministry of Environment and Forestry, Meteorology Climatology and Geophysics Agency, and the GeoNames Dataset. After taking samples from the data that was collected, multi-collinearity tests, feature normalization, and the creation of human activity variable was carried out. By using weather variables and human variables as independent variables, a long-term memory algorithm is implemented for time-series modeling. The result of the experiment shows that the best LSTM model for predicting the risk of forest fires in high to middle-risk sub-districts is a model with 0.0001 learning rate, 0.99 Beta 1, and 0.999 Beta 2. Learning rate value of 0.00001 , 0.99 Beta 1, and 0.999 Beta 2 for sub-districts with medium risk. For low risk, the best learning rate is 0.0001, Beta 1 is 0.99, and Beta 2 is 0.999. In the case of activation functions, every sub-districs seems to have it’s own specialty. The best activation function appears to be random, because each sub-districs has the best activation function which is not correlated with the risk value of the sub-districs unlike the parameters.

Item Type:	Thesis (Undergraduate)
Uncontrolled Keywords:	Penggalian Data, LSTM, Kebakaran Hutan, Kalimantan Selatan, Data Mining, LSTM, Forest Fires, South Kalimantan
Subjects:	Q Science > QA Mathematics > QA76.9.D343 Data mining. Querying (Computer science)
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 57201-(S1) Undergraduate Thesis
Depositing User:	Fawwaz Zaini Ahmad
Date Deposited:	16 Feb 2022 05:24
Last Modified:	16 Feb 2022 05:24
URI:	http://repository.its.ac.id/id/eprint/94002

Actions (login required)

View Item