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,
kebakaran hutan dan lahan gambut di kabupaten barito
kuala provinsi kalimantan selatan,= Prosiding Seminar
Nasional diselenggarakan Pendidikan Geografi FKIP
UMP, 2019
Aminah, C. Y. Krah, Perdinan, and Perdinan,
fires and management efforts in Indonesia (a review),= in IOP Conference Series: Earth and Environmental
Science, 2020. doi: 10.1088/1755-1315/504/1/012013.
and recurrent neural networks for time series
forecasting," Int J Forecast, vol. 36, no. 1, 2020, doi:
1016/j.ijforecast.2019.03.017.
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