Algoritma Exponential Smoothing Untuk Memprediksi Parameter Penyebab Kebakaran Hutan
Abstract
Kebakaran hutan adalah salah satu bencana alam yang sering terjadi dan membawa dampak buruk bagi lingkungan dan masyarakat sekitar. Pemahaman faktor-faktor penyebab serta prediksi kejadian kebakaran hutan dapat membantu dalam pencegahan dan penanganan dini. Penelitian ini mengembangkan model prediksi parameter penyebab kebakaran hutan menggunakan algoritma Exponential Smoothing. Data time series yang diambil dari BMKG (Badan Meteorologi dan Geofisika) diolah untuk mendapatkan model yang akurat. Diharapkan dengan adanya model ini, pihak berwenang dapat lebih proaktif dalam mengatasi dan mencegah kebakaran hutan di masa mendatang Penelitian ini bertujuan mengembangkan model prediksi penyebab kebakaran hutan berdasarkan parameter seperti suhu, kelembaban, kecepatan angin, dan curah hujan. Memahami parameter ini penting bagi pihak berwenang untuk intervensi dini, mengingat dampak kebakaran terhadap lingkungan dan masyarakat. Melalui Exponential Smoothing, studi ini menawarkan solusi teknis untuk prediksi dan pencegahan kebakaran. Model pembelajaran mesin, dengan nilai R2 di atas 0,50 dan MAE serta RMSE di bawah 0,2, menunjukkan keefektifannya dalam skenario ini. Model akan diterapkan di sebuah situs web untuk memastikan keterjangkauan bagi semua orang, berfungsi sebagai alat bermanfaat untuk memprediksi dan mengurangi risiko kebakaran hutan di Indonesia.
Kata kunci— Kebakaran hutan, Exponential Smoothing, BMKG (Badan Meteorologi dan Geofisika), Model Pembelajaran Mesin
References
R. Kumalawati, D. Anjarini, and Elisabeth,
Aminah, C. Y. Krah, Perdinan, and Perdinan,
Liu, Z., Zhu, Z., Gao, J., & Xu, C. (2021). Forecast Methods for Time Series Data: A Survey. IEEE Access, -doi.org/10.1109/ACCESS.2021.3091162
Kumar Pradeep, Rahul, & Ravindharaan. (2021). Early Forest Fire Detection Using Machine Learning
Algorithms. International Journal of New Technology and Research, 7(4), 1-5
Ma, W., Feng, Z., Cheng, Z., Chen, S., & Wang, F.
(2020). Identifying forest fire driving factors and related impacts in China using random forest algorithms.
Forests, 11(5). -doi.org/10.3390/F11050507
Sari, E. N., Susanto, B., & Setiawan, A. (2021). Perbandingan Hasil Peramalan Jumlah Wisatawan Mancanegara dengan Metode Box-Jenkins dan Exponential Smoothing. Jambura Journal of Probability and Statistics, 2(1)
Renner, G., Nellessen, A., Schwiers, A., Wenzel, M.,
Schmidt, T. C., & Schram, J. (2019). Data preprocessing
& evaluation used in the microplastics identification
process: A critical review & practical guide. In TrAC - Trends in Analytical Chemistry (Vol..-doi.org/10.1016/j.trac.2018.12.00
Smyl, S. (2020). A hybrid method of exponential smoothing and recurrent neural networks for time series forecasting. International Journal of Forecasting, 36(1), -85. -doi.org/10.1016/j.ijforecast.2019.03.017
