Model Prediksi Risiko Kebakaran Hutan Menggunakan Algoritma Random Forest dengan Seleksi Fitur Lasso Regression

Refni Wahyuni; Muhardi; Yulanda; Yuda Irawan

doi:10.58794/jekin.v5i1.998

Authors

Refni Wahyuni Universitas Hang Tuah Pekanbaru
Muhardi Universitas Hang Tuah Pekanbaru
Yulanda Universitas Hang Tuah Pekanbaru
Yuda Irawan Universitas Hang Tuah Pekanbaru

DOI:

https://doi.org/10.58794/jekin.v5i1.998

Keywords:

Random Forest, Prediksi Kebakaran, BMKG, Meteorologi, Machine Learning

Abstract

Kebakaran hutan di Indonesia telah menyebabkan kerusakan lingkungan, polusi udara, serta dampak serius pada kesehatan dan ekonomi. Penelitian ini mengembangkan model prediksi risiko kebakaran hutan menggunakan algoritma Random Forest dengan seleksi fitur melalui Lasso Regression, berdasarkan data meteorologi dari BMKG (2011-2024). Variabel utama yang digunakan meliputi temperatur rata-rata, kelembapan, curah hujan, dan kecepatan angin. Hasil evaluasi model menunjukkan akurasi 100%, dengan precision, recall, dan F1-score masing-masing 1.00 untuk semua kelas risiko kebakaran. Confusion matrix dan kurva ROC mengonfirmasi kemampuan model dalam mengklasifikasikan setiap instance tanpa kesalahan. Analisis fitur menyoroti temperatur rata-rata, kelembapan, dan curah hujan sebagai faktor utama. Model ini berpotensi menjadi komponen penting dalam sistem peringatan dini kebakaran hutan di indonesia. Penelitian ini merekomendasikan integrasi data tambahan dan implementasi real-time untuk meningkatkan akurasi dan aplikabilitas model di masa mendatang.

Downloads

Download data is not yet available.

References

D. Husen et al., “Analisis Prediksi Kebakaran Hutan dengan Menggunakan Algoritma Random Forest Classifier,” vol. 16, pp. 150–155, 2022.

R. E. Wibowo, R. Teguh, and A. Lestari, “Deteksi Dini Kebakaran Hutan Dan Lahan Memanfaatkan Ekstraksi Exif Pada Informasi Gambar Berbasis

Pengolahan Citra,” J. Teknol. Inf. J. Keilmuan dan Apl. Bid. Tek. Inform., vol. 15, no. 1, pp. 1–12, 2021, doi: 10.47111/jti.v15i1.1934.

D. Husen et al., “Analisis Prediksi Kebakaran Hutan dengan Menggunakan Algoritma Random Forest Classifier Kebakaran hutan dan lahan di Indonesia telah menjadi perhatian dunia internasional khususnya sejak kebakaran hutan yang terjadi pada tahun 80-an [ 2 ]. Penyebab kebaka,” vol. 16, pp. 150–155, 2022.

J. Yandi, T. B. Kurniawan, E. S. Negara, and M. Akbar, “Prediksi Lokasi Titik Panas Kebaran Hutan menggunakan Model Regresion SVM (Support

Vector Machine),” InfoTekJar J. Nas. Inform. dan Teknol. Jar., vol. 6, no. 1, pp. 10–15, 2021.

A. Primajaya, B. N. Sari, and A. Khusaeri, “Prediksi Potensi Kebakaran Hutan dengan Algoritma Klasifikasi C4 . 5 Studi Kasus Provinsi,” vol. 6, no. 2, pp. 188–192, 2020.

I. N. S. Jaya, M. Ikhwan, S. Hardjoprajitno, and Nurhendra, “Tehnik Mendeteksi Kebakaran Hutan Melalui Citra Satelit Multiwaktu: Studi Kasus di

Propinsi Sumatera Selatan dan Riau,” J. Manaj. Hutan Trop., vol. 6, no. 2, pp. 25–41, 2000.

Y. Irawan et al., “Realtime Monitoring and Analysis Based on Cloud Computing Internet of Things (CC-IoT) Technology in Detecting Forest and

Land Fires in Riau Province,” Ilk. J. Ilm., vol. 15, no. 3, pp. 445–454, 2023, doi: 10.33096/ilkom.v15i3.1636.445-454.

A. Biswas, S. K. Ghosh, and A. Ghosh, “Early Fire Detection and Alert System using Modified Inception-v3 under Deep Learning Framework,”

Procedia Comput. Sci., vol. 218, no. 2022, pp. 2243–2252, 2022, doi: 10.1016/j.procs.2023.01.200.

F. Khennou and M. A. Akhloufi, “Improving wildland fire spread prediction using deep U-Nets,” Sci. Remote Sens., vol. 8, no. September, p. 100101, 2023, doi: 10.1016/j.srs.2023.100101.

R. Rishickesh, A. Shahina, and A. Nayeemulla Khan, “Predicting forest fires using supervised and ensemble machine learning algorithms,” Int. J. Recent Technol. Eng., vol. 8, no. 2, pp. 3697–3705, 2021, doi: 10.35940/ijrte.B2878.078219.

A. Ramadhan and B. Susetyo, “PENERAPAN METODE KLASIFIKASI RANDOM FOREST DALAM MENGIDENTIFIKASI FAKTOR PENTING

PENILAIAN MUTU PENDIDIKAN,” vol. 4, pp. 169–182, 2019.

E. Erlin, Y. Desnelita, N. Nasution, L. Suryati, and F. Zoromi, “Dampak SMOTE terhadap Kinerja Random Forest Classifier berdasarkan Data Tidak seimbang,” MATRIK J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 21, no. 3, pp. 677–690, 2022, doi: 10.30812/matrik.v21i3.1726.

A. Y. Agusyul and F. Firmansyah, “Prediksi Penyakit Jantung Menggunakan Algoritma Random Forest,” J. Minfo Polgan, vol. 12, no. 2, pp. 2239– 2246, 2023, doi: 10.33395/jmp.v12i2.13214.

M. Parzinger, L. Hanfstaengl, F. Sigg, U. Spindler, U. Wellisch, and M. Wirnsberger, “Comparison of different training data sets from simulation and experimental measurement with artificial users for occupancy detection — Using machine learning methods Random Forest and LASSO,” Build. Environ., vol. 223, no. February, p. 109313, 2022, doi: 10.1016/j.buildenv.2022.109313.

Y. Yang, G. Zhang, G. Zhu, D. Yuan, and M. He, “Prediction of fire source heat release rate based on machine learning method,” Case Stud. Therm. Eng., vol. 54, no. October 2023, pp. 1–15, 2024, doi: 10.1016/j.csite.2024.104088.

B. S. Negara, R. Kurniawan, M. Z. A. Nazri, S. N. H. S. Abdullah, R. W. Saputra, and A. Ismanto, “Riau Forest Fire Prediction using Supervised Machine Learning,” J. Phys. Conf. Ser., vol. 1566, no. 1, 2020, doi: 10.1088/1742-6596/1566/1/012002.

T. A. Pratiwi, M. Irsyad, R. Kurniawan, S. Agustian, and B. S. Negara, “Klasifikasi Kebakaran Hutan Dan Lahan Menggunakan Algoritma Naïve

Bayes Di Kabupaten Pelalawan,” CESS (Journal Comput. Eng. Syst. Sci., vol. 6, no. 1, p. 139, 2021, doi: 10.24114/cess.v6i1.22555.

C. L. Fantasy, F. L. M. Simanjuntak, R. L. A. Purba, Andrean, and O. Sihombing, “Analisis Komparasi Algoritma C5.0 Dan Naive Bayes Penentuan Penerima Beasiswa Universitas Prima Indonesia,” J. TEKINKOM, vol. 6, no. 2, pp. 508–517, 2023, doi: 10.37600/tekinkom.v6i2.926.

D. R. Putri, A. Adiwijaya, and Y. Sibaroni, “Deteksi Kanker Berdasarkan Klasifikasi Data Microarray Menggunakan Least Absolute Shrinkage and

Selection Operator dan Functional Link Neural Network,” J. Media Inform. Budidarma, vol. 4, no. 4, pp. 947–954, 2020, doi: 10.30865/mib.v4i4.2349.

A. J. McEligot, V. Poynor, R. Sharma, and A. Panangadan, “Logistic lasso regression for dietary intakes and breast cancer,” Nutrients, vol. 12, no. 9,

pp. 1–14, 2020, doi: 10.3390/nu12092652.

S. Wang, Y. Chen, Z. Cui, L. Lin, and Y. Zong, “Diabetes Risk Analysis based on Machine Learning LASSO Regression Model,” J. Theory Pract. Eng. Sci., vol. 4, no. 1, pp. 58–64, 2024, doi: 10.53469/jtpes.2024.04(01).08.

F. Özen, “Random forest regression for prediction of Covid-19 daily cases and deaths in Turkey,” Heliyon, vol. 10, no. 4, pp. 1–19, 2024, doi: 10.1016/j.heliyon.2024.e25746.

S. S. Kshatri, D. Singh, B. Narain, S. Bhatia, M. T. Quasim, and G. R. Sinha, “An Empirical Analysis of Machine Learning Algorithms for Crime Prediction Using Stacked Generalization: An Ensemble Approach,” IEEE Access, vol. 9, pp. 67488–67500, 2021, doi: 10.1109/ACCESS.2021.3075140.

T. Wahyuningsih, D. Manongga, I. Sembiring, and S. Wijono, “Comparison of Effectiveness of Logistic Regression, Naive Bayes, and Random Forest Algorithms in Predicting Student Arguments,” Procedia Comput. Sci., vol. 234, pp. 349–356, 2024, doi: 10.1016/j.procs.2024.03.014.

Fitrianingsih, “Analisis Ramalan Cuaca di Sekupang , Kota Batam Menggunakan Algoritma Decision Tree dan Confusion Matrix,” Ekosph. J. Ekon. Pembang. dan Manaj., vol. 1, no. 4, pp. 15–26, 2024.