DATA MINING UNTUK PREDIKSI KEBAKARAN HUTAN TERINTEGRASI DENGAN SISTEM INFORMASI GEOGRAFIS

Mimboro, Prasetyo (2023) DATA MINING UNTUK PREDIKSI KEBAKARAN HUTAN TERINTEGRASI DENGAN SISTEM INFORMASI GEOGRAFIS. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text (THESIS) 21.55.1071 Prasetyo Mimboro.pdf Download (10MB)

Abstract

Kebakaran hutan dan lahan merupakan masalah serius yang mempengaruhi lingkungan dan kehidupan manusia. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan framework untuk prediksi kebakaran hutan yang terintegrasi dengan Sistem Informasi Geografis (SIG) menggunakan algoritma Support Vector Machine (SVM) dan Random Forest (RF), serta menjawab 4 tujuan penelitian yang meliputi teknik Data Mining, Scheduler Export Data dan Joining Data Tabular dan Spasial, melakukan clustering untuk mendapatkan nilai DB-Index tertinggi dengan Metode David Bouldin Index (DBI), mengetahui faktor-faktor terjadinya kebakaran hutan, dan mengintegrasikan Machine Learning dengan SIG. Metode penelitian ini melibatkan pengumpulan data sekunder mengenai kebakaran hutan dan lahan, serta data spasial seperti peta penggunaan lahan, peta iklim, dan peta topografi. Data yang diperoleh kemudian diolah menggunakan teknik Data Mining, Scheduler Export Data, dan Joining Data Tabular dan Spasial. Selanjutnya, dilakukan analisis clustering untuk mendapatkan nilai DBIndex tertinggi dengan Metode David Bouldin Index (DBI) guna memperoleh kelompok cluster yang optimal. Data yang telah diproses dan dianalisis digunakan sebagai input untuk pembuatan model prediksi menggunakan algoritma SVM dan Random Forest. Hasil penelitian menunjukkan bahwa framework yang terintegrasi dengan SIG dan menggunakan algoritma SVM dengan rata-rata test accuracy 0.9956, train accuracy 0.9956 dan RF dengan rata-rata test accuracy 0,994, train accuracy 0,9969 dapat menghasilkan prediksi kebakaran hutan yang akurat dengan. Selain itu, hasil analisis clustering dengan Metode DBI dapat memberikan kelompok cluster yang optimal untuk memahami pola kebakaran hutan. Dari hasil analisis juga ditemukan bahwa terdapat beberapa faktor-faktor yang mempengaruhi terjadinya kebakaran hutan, yang meliputi suhu, kelembaban udara, curah hujan, jenis vegetasi, dan faktor spasial seperti jarak dari pemukiman manusia. Penelitian ini juga berhasil mengintegrasikan Machine Learning dengan SIG dalam framework “The Forest Fire Prediction“ untuk prediksi kebakaran hutan, yang dapat digunakan sebagai basis untuk pengambilan kebijakan dan pengelolaan resiko kebakaran hutan dan lahan yang lebih efektif.

Actions (login required)

View Item