Kebakaran hutan dan lahan merupakan bencana yang sering terjadi di Indonesia,
terutama pada musim kemarau, dan menyebabkan dampak serius terhadap
lingkungan, kesehatan, serta ekonomi. Faktor meteorologi seperti suhu,
kelembaban, curah hujan, dan angin sangat mempengaruhi potensi terjadinya
karhutla. Prediksi potensi kebakaran hutan dalam skala musiman dapat membantu
meningkatkan kesiapsiagaan serta mendukung pengambilan keputusan dalam
mitigasi bencana. Oleh karena itu, penelitian ini bertujuan untuk mengevaluasi
penggunaan Seasonal Severity Rating (SSR) dalam mengkarakterisasi potensi
kebakaran hutan dan lahan serta mengembangkan metode prediksi probabilistik
SSR di Pulau Kalimantan.
Penelitian ini menggunakan data ECMWF Reanalysis Version 5 (ERA5) sebagai
data observasi dan Climate Forecast System Version 2 (CFSv2) sebagai data
prediksi. Metode yang diterapkan mencakup perhitungan Fire Weather Index (FWI)
yang dikembangkan menjadi Daily Severity Rating (DSR), Monthly Severity Rating
(MSR), dan Seasonal Severity Rating (SSR). Selain itu, dilakukan pengolahan data
menggunakan metode Time Lagged Ensemble untuk meningkatkan akurasi prediksi.
Evaluasi prediksi dilakukan dengan membandingkan hasil prediksi SSR terhadap
data kejadian karhutla serta menggunakan Brier Score (BS) untuk menilai performa
model prediksi.
Hasil penelitian menunjukkan bahwa SSR dapat digunakan sebagai indikator
potensi kebakaran hutan dalam skala musiman. Penentuan threshold SSR
memberikan gambaran tingkat keparahan karhutla di Kalimantan, dengan kategori
risiko yang dapat digunakan dalam sistem peringatan dini. Prediksi SSR berbasis
model CFSv2 menunjukkan potensi yang baik dalam memperkirakan kondisi
kebakaran musiman, meskipun masih diperlukan pengembangan lebih lanjut untuk
meningkatkan akurasi prediksi. Dengan demikian, penelitian ini memberikan
kontribusi terhadap upaya mitigasi kebakaran hutan dan lahan dengan menyediakan
metode prediksi yang dapat digunakan sebagai dasar dalam perencanaan
pengelolaan kebakaran hutan dan lahan di Indonesia.