Hasil Studi Pola Kebakaran Lahan Gambut melalui Citra Satelit Sentinel-2 dengan Pengimplementasian Machine Learning Metode Random Forest : Kajian Literatur

https://doi.org/10.22146/jgise.60828

Annisa Rizky Kusuma(1*), Fauzan Maulana Shodiq(2), Muhammad Faris Hazim(3), Dany Puguh Laksono(4)

(1) Mahasiswa Departemen Teknik Geodesi, Gadjah Mada University
(2) Mahasiswa Departemen Teknik Geodesi, Gadjah Mada University
(3) Mahasiswa Departemen Teknik Geodesi, Gadjah Mada University
(4) Universitas Gadjah Mada
(*) Corresponding Author

Abstract


Kebakaran lahan gambut merupakan peristiwa yang sulit diprediksi perilakunya. Karakteristik tanah gambut yang kompleks dan faktor-faktor alam lain seperti arah angin, status vegetasi, dan kandungan air membuat kasus ini menjadi salah satu kasus menarik yang masih menjadi objek penelitian yang belum tuntas hingga saat ini. Ketika memasuki musim kemarau kondisi kadar air di dalam tanah gambut akan semakin berkurang, maka potensi terjadinya kebakaran akan semakin tinggi. Pada studi ini dilakukan analisis faktor penyebab kebakaran dengan area cakupan yang luas melalui satelit Sentinel-2. Citra satelit yang diperoleh nantinya akan diolah oleh machine learning untuk memprediksi penyebaran api. Hasil literatur yang telah dilakukan diperoleh bahwa Ground Water Level (GWL), kematangan gambut, suhu, curah hujan dan kelembaban, serta kerapatan vegetasi dapat diidentifikasi melalui perhitungan indeks. Indeks yang digunakan diantaranya indeks Differenced Normalized Difference Vegetation Index (dNDVI) dan Normalized Difference Water Index (NDWI) yang diolah dengan algoritma machine learning metode Random Forest memilki akurasi mencapai 96%.


Keywords


gambut, kebakaran, citra satelit, machine learning

Full Text:

PDF


References

Adinugroho, W.C, I N.N. Suryadiputra, B.H. Saharjo, L. Siboro. (2004). Panduan Pengendalian Kebakaran Hutan dan Gambut. Edisi ke-1. Wetlands International. Bogor.

Babrauskas, Vytenis. (2003). Ignition Handbook. 1, Fire Science Publishers

Ratnaningsih A. T., dan Prasetyaningsih S. R. (2017). IOP Conf. Ser.:Earth Environ. Sci.97 012029

Febrianti, N, K. Murtilaksono, B. Barus. (2019). Pengaruh Tinggi Muka Air Gambut Sebagai Indikator Peringatan Dini Bahaya Kebakaran Di Sungai Jangkang - Sungai Liong. Jurnal Penginderaan Jauh. 16 (1) :9-19.

Gao, B-C. (1996). Ndwi—A Normalized Difference Water Index For Remote Sensing Of Vegetation Liquid Water From Space. Remote Sensing Of Environment, 58: 257-266.

Hayasaka, Hiroshi & Usup, Aswin & Naito, Daisuke. (2020). New Approach Evaluating Peatland Fires in Indonesian Factors. Remote Sensing.

Ishii, Yoshiyuki & Koizumi, Ken & Fukami, Hiroshi & Yamamoto, Koichi & Takahashi, Hidenori & Limin, Suwido & Kusin, Kitso & Usup, Aswin & Susilo, Gatot. (2016). Groundwater in Peatland.

Kasihairani, Dara & Virgianto, Rista & Risnayah, Siti. (2014). Dampak El Niño Southern Oscillation Dan Indian Ocean Dipole Mode Terhadap Variabilitas Curah Hujan Musiman Di Indonesia.

Kawamuna, A., Suprayogi, A., Wijaya, AP. (2017). Analisis Kesehatan Hutan Mangrove berdasarkan Metode Klasifikasi NDVI pada Citra Satelit Sentinel-2 . Jurnal Geodesi Undip . 6(1): 277-284.

Kurnaz, B., Bayik, C. B., Abdikan, S. (2020). Forest Fire Area Detection by Using Landsat-8 and Sentinel-2 Satellite Images: A Case Study in Mugla, Turkey .

Leuenberger, Michael & Kanevski, Mikhail & Vega Orozco, Carmen. (2013). Forest Fires in a Random Forest.

Lowe, Barrett & Kulkarni, Arun. (2015). Multispectral Image Analysis Using Random Forest. International Journal on Soft Computing. 6. 1-14. 10.5121/ijsc.2015.6101.

Masganti. (2014). Karakteristik dan Potensi Pemanfaatan Lahan Gambut Terdegradasi di Provinsi Riau.

Meingast, K. M., Falkowski, M. J., Kane, E. S., Potvin, L. R., Benscoter, B.W., Smith, A.M.S., Bourgeau-Chavez, L. L., Miller, M.E. (2014). Spectral Detection of Near-surface Moisture Content and Water-table Position in Northern Peatland Ecosystem . Remote Sensing of Environment. 152:536 -546.

Prayoto, M.I. Ishihara, R. Firdaus, And N. Nakagoshi. (2017). Peatland Fires In Riau, Indonesia, In Relation To Land Cover Type, Land Management, Landholder, And Spatial Management. Journal Of Environmental Protection . 8:1312-1332

Tonini, M.; D’Andrea, M.; Biondi, G.; Degli Esposti, S.; Trucchia, A.; Fiorucci, P. A. (2020). Machine Learning-Based Approach for Wildfire Susceptibility Mapping. The Case Study of the Liguria Region in Italy. Geosciences. 10: 105.

Usup, Aswin & Hashimoto, Yoshihiro & Takahashi, Hidenori & Hayasaka, Hiroshi. (2004). Combustion and thermal characteristic of peat fire in tropical peatland in Central Kalimantan, Indonesia. Tropics. 14. 1-19. 10.3759/tropics.14.1.

Yiu, T. (2019). Understanding Random Forest: How The Algorithm Works and Why It Is So Effective, websites, https://towardsdatascience.com/ understanding-random-forest , Accessed on 12 November 202



DOI: https://doi.org/10.22146/jgise.60828

Article Metrics

Abstract views : 1895 | views : 2003

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.


Journal of Geospatial Information Science and Engineering (JGISE) ISSN: 2623-1182 (Online) Email: jgise.ft@ugm.ac.id The Contents of this website is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.