Perpustakaan Digital ITB

Kebakaran lahan gambut berdampak masif secara ekologis maupun ekonomi. Pendekatan pemadaman reaktif seringkali tidak efektif karena sifat api yang menjalar di bawah permukaan tanah. Penelitian ini bertujuan untuk membangun perangkat lunak sistem peringatan dini berbasis pembelajaran mesin untuk memprediksi risiko kekeringan dan kebakaran lahan gambut secara deret waktu dan spasial-temporal. Pengembangan sistem ini dibagi menjadi dua modul utama. Modul pertama difokuskan pada prediksi deret waktu menggunakan arsitektur Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU). Hasil prediksi dikonversi ke dalam indeks kekeringan meliputi KBDI, Adjusted KBDI, mKBDI, dan PFVI. Modul kedua difokuskan pada prediksi spasial-temporal dari data raster satelit menggunakan arsitektur Convolutional LSTM (ConvLSTM). Pemodelan ini menerapkan Weighted Binary Cross-Entropy dan Focal Loss untuk mengatasi ketidakseimbangan kelas pada observasi titik api. Hasil evaluasi pada prediksi deret waktu menunjukkan bahwa model GRU secara konsisten lebih unggul dibandingkan LSTM dengan tingkat galat komputasi yang lebih rendah. Berdasarkan validasi lapangan, indeks PFVI dan mKBDI terbukti memiliki akurasi baik untuk lahan gambut tropis karena mampu mendeteksi status risiko ekstrem yang selaras dengan kemunculan titik api aktual. Indeks KBDI dan adjusted KBDI masih gagal dalam mendeteksi status risiko kemunculan titik api. Pada pemodelan spasial-temporal, arsitektur ConvLSTM terbukti efektif dalam memetakan probabilitas kerawanan lahan. Secara keseluruhan, perangkat lunak yang dibangun terbukti andal sebagai instrumen mitigasi peringatan dini untuk memetakan potensi bahaya secara presisi sebelum kebakaran benar-benar terjadi.