Perancangan Aplikasi Prediksi Hotspot Berbasis Data Satelit FIRMS di NTB menggunakan Algoritma Random Forest
DOI:
https://doi.org/10.54706/senastindo.v7.2025.421Kata Kunci:
Hotspot, FIRMS, Random Forest, Prediksi, NTBAbstrak
Kebakaran hutan dan lahan merupakan permasalahan lingkungan yang kompleks dan memerlukan pendekatan prediktif berbasis data spasial untuk mendukung upaya mitigasi yang efektif. Penelitian ini bertujuan untuk merancang dan mengimplementasikan aplikasi prediksi hotspot berbasis data satelit Fire Information for Resource Management System (FIRMS) di Provinsi Nusa Tenggara Barat (NTB) dengan menerapkan algoritma Random Forest. Data diperoleh melalui proses web scraping terhadap citra satelit FIRMS NASA, kemudian diolah melalui tahapan data preprocessing, feature engineering, dan pembentukan variabel target yang merepresentasikan dimensi spasial serta temporal kemunculan hotspot. Algoritma Random Forest dipilih karena kemampuannya dalam mengelola data berukuran besar dan kompleks dengan tingkat akurasi yang tinggi. Hasil evaluasi menunjukkan kinerja klasifikasi yang sangat baik dengan nilai akurasi 98,92%, presisi 99,42%, recall 99,47%, dan F1-score 99,45%. Model diimplementasikan dalam aplikasi berbasis web menggunakan metode pengembangan Waterfall, yang dilengkapi dengan fitur prediksi interaktif dan penyaringan wilayah berdasarkan kabupaten serta kecamatan.
Unduhan
Referensi
[1] I. P. Anhar, Rina Mardiana, and Rai Sita, “Dampak Kebakaran Hutan dan Lahan Gambut terhadap Manusia dan Lingkungan Hidup (Studi Kasus: Desa Bunsur, Kecamatan Sungai Apit, Kabupaten Siak, Provinsi Riau),” J. Sains Komun. dan Pengemb. Masy. [JSKPM], vol. 6, no. 1, pp. 75–85, 2022, doi: 10.29244/jskpm.v6i1.967.
[2] S. M. P. dan S. Friyanto, “Memahami Penyebab Kebakaran Hutan dan Lahan serta Upaya Penanggulangannya: Kasus di Provinsi Kalimantan Barat,” SOCA Socioecon. Agric. Agribus., vol. 1, no. 1, pp. 1–23, 2020.
[3] M. Hikmat, D. P. Hati, M. M. Pratamaningsih, and S. Sukarman, “High Productivity Dry Land in Nusa Tenggara for Agricultural Development,” J. Sumberd. Lahan, vol. 16, no. 2, p. 119, 2023.
[4] N. Arifatul Ulya and S. Yunardy, “Analisis Dampak Kebakaran Hutan Di Indonesia Terhadap Distribusi Pendapatan Masyarakat,” 2006. doi: 10.20886/jpsek.2006.3.2.133-146.
[5] I. L. Firmansyah, A. I. Irma Wati, I. Permata Sari, A. M. Syifa, and D. O. Radianto, “Dampak Perubahan Iklim Dapat Meningkatnya Kebakaran Hutan Dan Upaya Pelestarian Lingkungan,” Globe Publ. Ilmu Tek. Teknol. Kebumian, Ilmu Perkapalan, vol. 2, no. 2, pp. 88–100, 2024.
[6] I. P. Sari, Z. Indra, and E. Alfianda, “Sistem Monitoring Kebakaran Hutan Berbasis Android,” J. Sains dan Inform., vol. 7, no. 1, pp. 38–47, 2021, doi: 10.34128/jsi.v7i1.302.
[7] R. N. A. Rosalina Kumalawati, Arief Rahman Nugroho, Karnanto Hendra Murliawan, “Distribusi Sebaran Hotspot Berdasarkan Data Modis Aqua Dan Terra untuk Deteksi Dini Kebakaran,” J. Penelit. Geogr., 2023, doi: 10.23960/jpg.v11.i2.26787.
[8] R. Kumalawati et al., “Hotspot Distribution Analysis as Forest and Land Fire Indicators in the New National Capital City (IKN),” J. Presipitasi Media Komun. dan Pengemb. Tek. Lingkung., vol. 20, no. 3, pp. 691–703, 2023, doi: 10.14710/presipitasi.v20i3.691-703.
[1] I. P. Anhar, Rina Mardiana, and Rai Sita, “Dampak Kebakaran Hutan dan Lahan Gambut terhadap Manusia dan Lingkungan Hidup (Studi Kasus: Desa Bunsur, Kecamatan Sungai Apit, Kabupaten Siak, Provinsi Riau),” J. Sains Komun. dan Pengemb. Masy. [JSKPM], vol. 6, no. 1, pp. 75–85, 2022, doi: 10.29244/jskpm.v6i1.967.
[2] S. M. P. dan S. Friyanto, “Memahami Penyebab Kebakaran Hutan dan Lahan serta Upaya Penanggulangannya: Kasus di Provinsi Kalimantan Barat,” SOCA Socioecon. Agric. Agribus., vol. 1, no. 1, pp. 1–23, 2020.
[3] M. Hikmat, D. P. Hati, M. M. Pratamaningsih, and S. Sukarman, “High Productivity Dry Land in Nusa Tenggara for Agricultural Development,” J. Sumberd. Lahan, vol. 16, no. 2, p. 119, 2023.
[4] N. Arifatul Ulya and S. Yunardy, “Analisis Dampak Kebakaran Hutan Di Indonesia Terhadap Distribusi Pendapatan Masyarakat,” 2006. doi: 10.20886/jpsek.2006.3.2.133-146.
[5] I. L. Firmansyah, A. I. Irma Wati, I. Permata Sari, A. M. Syifa, and D. O. Radianto, “Dampak Perubahan Iklim Dapat Meningkatnya Kebakaran Hutan Dan Upaya Pelestarian Lingkungan,” Globe Publ. Ilmu Tek. Teknol. Kebumian, Ilmu Perkapalan, vol. 2, no. 2, pp. 88–100, 2024.
[6] I. P. Sari, Z. Indra, and E. Alfianda, “Sistem Monitoring Kebakaran Hutan Berbasis Android,” J. Sains dan Inform., vol. 7, no. 1, pp. 38–47, 2021, doi: 10.34128/jsi.v7i1.302.
[7] R. N. A. Rosalina Kumalawati, Arief Rahman Nugroho, Karnanto Hendra Murliawan, “Distribusi Sebaran Hotspot Berdasarkan Data Modis Aqua Dan Terra untuk Deteksi Dini Kebakaran,” J. Penelit. Geogr., 2023, doi: 10.23960/jpg.v11.i2.26787.
[8] R. Kumalawati et al., “Hotspot Distribution Analysis as Forest and Land Fire Indicators in the New National Capital City (IKN),” J. Presipitasi Media Komun. dan Pengemb. Tek. Lingkung., vol. 20, no. 3, pp. 691–703, 2023, doi: 10.14710/presipitasi.v20i3.691-703.
[9] Y. N. R. Muhamad Rafli Farhan, Erwin Hermawan, Sahid Agustian Hudjimartsu, “Pengembangan Aplikasi Webgis Menggnakan Rshiny Untuk Memonitor Potensi Area Rawan Kebakaran,” vol. 8, no. 4, pp. 7801–7808, 2024.
[10] B. H. Winarno, D. Kusumawati, H. A. Triyanto, and B. H. Winarno, “Penerapan Machine Learning ( Model Prophet ) Dalam Prediksi,” Pros. Semin. Nas. Apl. Sains Teknol., no. November, pp. 168–174, 2024.
[11] D. Kerentanan, W. Ntb, D. Ntt, ) Asri, Z. Al-Fakhiroh, and T. Prastowo, “Analisis Potensi Bahaya Bencana Seismik,” J. Inov. Fis. Indones., vol. 12, pp. 75–87, 2023, [Online]. Available: https://arcgis.com/home/group.html
[12] F. Putri and D. B. Arianto, “Perbandingan Performa Random Forest Dan Gradient Boosting Dalam Prediksi Pada Dataset Customer Shopping Trends,” KOHESI J. Sains dan Teknol., vol. 5, no. 10, pp. 1–9, 2024, [Online]. Available: https://ejournal.warunayama.org/index.php/kohesi/article/view/9030/
[13] Effendy, E., N. Baiti, and P. Hasanah, “Pengambilan Keputusan Sistem Informasi Manajemen Dakwah,” J. Pendidik. dan Konseling (JPDK)., vol. 5, no. 2, pp. 4314–4320, 2023.
[14] S. Sandiwarno, “Penerapan Machine Learning Untuk Prediksi Bencana Banjir,” J. Sist. Inf. Bisnis, vol. 14, no. 1, pp. 62–76, 2024, doi: 10.21456/vol14iss1pp62-76.
[15] K. Kebakaran, H. Riau, M. Random, and F. Dan, “Citra Sentinel-2”.
[16] I. B. M. Brasika, “The Role of El Nino Variability and Peatland in Burnt Area and Emitted Carbon in Forest Fire Modeling,” For. Soc., vol. 6, no. 1, pp. 84–103, 2022, doi: 10.24259/fs.v6i1.10671.
[17] Z. Jin, J. Shang, Q. Zhu, C. Ling, W. Xie, and B. Qiang, “RFRSF: Employee Turnover Prediction Based on Random Forests and Survival Analysis,” Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), vol. 12343 LNCS, pp. 503–515, 2020, doi: 10.1007/978-3-030-62008-0_35.
[18] Refni Wahyuni, Muhardi, Yulanda, and Yuda Irawan, “Model Prediksi Risiko Kebakaran Hutan Menggunakan Algoritma Random Forest dengan Seleksi Fitur Lasso Regression,” JEKIN - J. Tek. Inform., vol. 5, no. 1, pp. 91–100, 2025, doi: 10.58794/jekin.v5i1.998.
[19] A. Primajaya, B. N. Sari, and A. Khusaeri, “Prediksi Potensi Kebakaran Hutan dengan Algoritma Klasifikasi C4.5 Studi Kasus Provinsi Kalimantan Barat,” J. Edukasi dan Penelit. Inform., vol. 6, no. 2, p. 188, 2020, doi: 10.26418/jp.v6i2.37834.
[20] T. Hartati and I. D. Sintawati, “Implementasi Metode Waterfall Pada Perancangan Aplikasi SIPSIBA Studi Kasus SMK Muhammadiyah 10 Jakarta,” Remik, vol. 5, no. 1, pp. 104–110, 2020, doi: 10.33395/remik.v5i1.10711.
[21] D. S. Purnia, A. Rifai, and S. Rahmatullah, “Penerapan Metode Waterfall dalam Perancangan Sistem Informasi Aplikasi Bantuan Sosial Berbasis Android,” Semin. Nas. Sains dan Teknol. 2019, pp. 1–7, 2019.
[22] A. R. Kurniawan, Y. V. Via, and A. L. Nurlaili, “Random Forest – Deep Convolutional Neural Network Ensemble Model for Skin Disease Classification,” bit-Tech, vol. 8, no. 1, pp. 317–326, 2025, doi: 10.32877/bt.v8i1.2528.
[23] T. Hengl, M. Nussbaum, M. N. Wright, G. B. M. Heuvelink, and B. Gräler, “Random forest as a generic framework for predictive modeling of spatial and spatio-temporal variables,” PeerJ, vol. 2018, no. 8, 2018, doi: 10.7717/peerj.5518.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Kategori
Lisensi
Hak Cipta (c) 2025 Nur Aulia Putri, Annisa Hardianti Faradela, Hamida, Naura Mufliha Marhabani, Arif Rahman
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
