Perpustakaan Digital ITB

Lahan gambut di Pulau Kalimantan memiliki nilai ekonomi yang tinggi bagi Indonesia karena 48% dari seluruh area lahan gambut ini termasuk dalam konsensi bisnis (Pantau Gambut, 2023). Namun, alih fungsi lahan membuat area ini rentan terhadap kebakaran hutan dan lahan. Berdasarkan penelitian yang dilakukan oleh Rimbawan dan Nur (2021) di Kota Banjarbaru, nilai kerugian akibat kebakaran lahan gambut per 100 Ha mencapai kurang lebih 1 miliar Rupiah. Dengan generalisasi, kerugian pada tahun 2019 akibat kebakaran lahan gambut mencapai 11,611 triliun Rupiah. Oleh karena potensi ekonomi yang tinggi dan adanya risiko kerugian yang tinggi pula, perlu dibuat upaya mitigasi kerugian finansial akibat kebakaran pada lahan gambut ini. Penelitian ini ditujukan untuk memitigasi risiko kerugian finansial tersebut melalui formulasi perhitungan premi murni asuransi. Sejalan dengan tujuan tersebut, dikembangkan sebuah model prediktif berbasis Convolutional Long Short-Term Memory (ConvLSTM) dan Convolutional Neural Network (CNN) untuk mengestimasi peluang terjadinya kebakaran pada lahan gambut. ConvLSTM diimplementasikan sebagai arsitektur dasar karena kemampuannya dalam mengolah data spasial dan temporal secara simultan. Sementara itu, CNN digunakan untuk mengoptimalkan prediksi peluang melalui kemampuannya dalam menganalisis representasi fitur spasial. Model yang dibangun berhasil mendapatkan nilai presisi sebesar 0,1698 dan recall sebesar 0,0264 dengan nilai ROC AUC dan PR AUC sebesar 0,7 dan 0,1191. Hasil ini sudah cukup baik mengingat kemampuan model memprediksi titik api mencapai dua kali lebih baik daripada tebakan acak. Hasil dari model ini juga dapat memprediksi peluang kebakaran pada satu minggu ke depan. Dengan memasukkan nilai severitas kebakaran, diperoleh distribusi kebakaran pada 4 kelas risiko, yaitu rendah, menengah bawah, menengah atas, dan tinggi yang masing-masing memberikan premi murni senilai 9,04; 43,37; 245,76; dan 775,24 juta IDR.