Perbandingan Algoritma Klasifikasi dalam Menentukan Zona Rawan Kebakaran Hutan dengan Feature Importance
DOI:
https://doi.org/10.26418/jp.v12i1.105322Keywords:
Kebakaran Hutan, Decision Tree, Random Forest, XGBoost, Feature ImportanceAbstract
Kebakaran hutan dan lahan masih menjadi persoalan lingkungan yang sering terjadi dan menimbulkan berbagai dampak serius, mulai dari kerusakan ekosistem, gangguan kesehatan, hingga kontribusi terhadap perubahan iklim. Kejadian kebakaran ini tidak hanya dipengaruhi oleh kondisi alam seperti musim kemarau yang berkepanjangan dan vegetasi yang kering, tetapi juga oleh aktivitas manusia yang kurang terkendali. Seiring dengan perkembangan teknologi saat ini, pendekatan berbasis machine learning dapat dimanfaatkan untuk membantu menganalisis dan memperkirakan tingkat risiko kebakaran hutan secara lebih efektif. Penelitian ini membahas penggunaan tiga algoritma machine learning, yaitu Decision Tree, Random Forest, dan XGBoost, untuk mengklasifikasikan wilayah ke dalam kategori rawan dan tidak rawan kebakaran. Ketiga algoritma tersebut termasuk dalam model berbasis pohon keputusan yang mampu mengidentifikasi faktor-faktor penting yang mempengaruhi terjadinya kebakaran melalui analisis feature importance. Kinerja model dievaluasi menggunakan metrik accuracy, precision, recall, dan F1-score guna melihat tingkat keandalan hasil klasifikasi. Hasil pengujian menunjukkan Decision Tree memperoleh accuracy sebesar 98%, XGBoost 97%, dan Random Forest 95%. Variabel Fine Fuel Moisture Code muncul sebagai faktor yang paling berpengaruh dalam meningkatkan risiko kebakaran hutan, sedangkan Initial Spread Index turut berperan dalam mempercepat potensi penyebaran api. Hal ini menunjukkan bahwa kondisi kekeringan bahan bakar permukaan seperti daun kering, ranting kecil menjadi kering dan kecepatan awal penyebaran api merupakan indikator penting dalam penilaian risiko kebakaran hutan.References
A. Amri et al., “Dampak bencana kebakaran hutan terhadap lingkungan dan upaya penanggulangan di indonesia,” JRTI (Jurnal Riset Tindakan Indonesia), vol. 9, no. 2, pp. 159–166, Dec. 2024, doi: 10.29210/30035130000.
B. Hero Saharjo and dan Uswatun Hasanah, “Analysis Of Factors Causing Forest and Land Fire in Pulang Pisau Regency, Central Kalimantan,” Journal of Tropical Silviculture, vol. 14, no. 01, pp. 25–29, 2023, [Online]. Available: https://dataonline.bmkg.go.id/
F. Arafah and D. A. Ramadhan, “Pengaruh Kebakaran Hutan terhadap Perubahan Suhu Permukaan Tanah di Kawasan Hutan Gunung Arjuno Tahun 2023,” Jurnal Ilmiah Geomatika, vol. 4, no. 1, p. 12, May 2024, doi: 10.31315/imagi.v4i1.12123.
I. Muslim Karo Karo, “Implementasi Metode XGBoost dan Feature Importance untuk Klasifikasi pada Kebakaran Hutan dan Lahan,” 2020.
L. Trihardianingsih and H. Permatasari, “Prediksi Area Kebakaran Hutan Menggunakan Algoritma Random Forest,” pp. 18–2024.
A. P. Mahendra, D. Pradipta, Moh. R. B. Saputro, and K. Kusrini, “Application of the Decision Tree Method to Forest Fire Detection (Case Study: in Palembang, South Sumatra),” JTECS : Jurnal Sistem Telekomunikasi Elektronika Sistem Kontrol Power Sistem dan Komputer, vol. 2, no. 1, p. 75, Feb. 2022, doi: 10.32503/jtecs.v2i1.2196.
I. P. Malashin, I. Masich, V. Nelyub, A. Borodulin, A. Gantimurov, and V. Tynchenko, “Assessing wildfire extents in Siberian forests using machine learning,” Sci. Rep., vol. 15, no. 1, p. 32834, Sep. 2025, doi: 10.1038/s41598-025-17465-5.
S. Yang, M. Lupascu, and K. S. Meel, “Predicting Forest Fire Using Remote Sensing Data And Machine Learning,” Jan. 2021, [Online]. Available: http://arxiv.org/abs/2101.01975
A. B. Santoso, I. S. Sitanggang, and M. K. D. Hardhienata, “Development of a Prediction Model for Potential Forest and Land Fires using Machine Learning Algorithms Based on Patrol Data,” JURNAL INFOTEL, vol. 16, no. 3, Sep. 2024, doi: 10.20895/infotel.v16i3.1180.
A. Firmansyah, M. F. Syahidin, and Y. S. Triana, “Prediksi Kebakaran Hutan Berdasarkan Titik Panas dan Iklim Menggunakan Algoritma Random Forest,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 10, no. 2, pp. 145–155, Sep. 2024, doi: 10.25077/teknosi.v10i2.2024.145-155.
E. Helmud, E. Helmud, F. Fitriyani, and P. Romadiana, “Classification Comparison Performance of Supervised Machine Learning Random Forest and Decision Tree Algorithms Using Confusion Matrix,” Jurnal Sisfokom (Sistem Informasi dan Komputer), vol. 13, no. 1, pp. 92–97, Feb. 2024, doi: 10.32736/sisfokom.v13i1.1985.
R. Sari, L. Trihardianingsih, R. Firdaus, and M. I. Arief, “Analisis Index Vegetation Wilayah Terdampak Kebakaran Hutan Riau Menggunakan Citra Landsat-8 dan Sentinel-2 Analysis of Vegetation Index Areas Affected by Riau Forest Fire Using Landsat-8 and Sentinel-2 Imagery,” Cogito Smart Journal |, vol. 8, no. 2, [Online]. Available: https://sipongi.menlhk.go.id/
Refni Wahyuni, Muhardi, Yulanda, and Yuda Irawan, “Model Prediksi Risiko Kebakaran Hutan Menggunakan Algoritma Random Forest dengan Seleksi Fitur Lasso Regression,” JEKIN - Jurnal Teknik Informatika, vol. 5, no. 1, pp. 91–100, Jan. 2025, doi: 10.58794/jekin.v5i1.998.
N. Alamsyah, B. Budiman, T. P. Yoga, and R. Y. R. Alamsyah, “XGBOOST HYPERPARAMETER OPTIMIZATION USING RANDOMIZEDSEARCHCV FOR ACCURATE FOREST FIRE DROUGHT CONDITION PREDICTION,” Jurnal Pilar Nusa Mandiri, vol. 20, no. 2, pp. 103–110, Sep. 2024, doi: 10.33480/pilar.v20i2.5569.
E. H. Nugrahani, S. Nurdiati, F. Bukhari, M. K. Najib, D. M. Sebastian, and P. A. N. Fallahi, “Sensitivity and feature importance of climate factors for predicting fire hotspots using machine learning methods,” IAES International Journal of Artificial Intelligence, vol. 13, no. 2, pp. 2210–2223, Jun. 2024, doi: 10.11591/ijai.v13.i2.pp2212-2225.
S. Mulyaningsih, W. Hardyanto, A. Sepriando, D. Djuniadi, N. Semarang, and B. Meteorologi Klimatologi dan Geofisika, “PREDIKSI FINE FUEL MOISTURE CODE MENGGUNAKAN ALGORITMA RANDOM FOREST UNTUK SISTEM PERINGATAN DINI KEBAKARAN HUTAN”, doi: 10.31539/xy82p541.
