Support Vector Machine Analysis for Potential Hotspot Over Papua Island Support Vector Machine untuk Potensi Hotspot pada Pulau Papua

Abstract

Pulau Papua merupakan wilayah yang sering mengalami kebakaran hutan atau lahan dan tercatat mengalami kebakaran luas dari tahun 2013 hingga 2018 mencapai 2.092,44 Ha, sedangkan penelitian yang masih sangat terbatas mengindikasikan kawasan yang mendesak untuk dipantau secara intensif untuk melindungi hutan yang tersisa di Papua. Salah satu indikator terjadinya kebakaran hutan atau lahan dapat diketahui dengan munculnya titik api di atas wilayah daratan. Sebagai upaya penanggulangan kebakaran hutan atau lahan, penelitian ini memanfaatkan data titik api (lintang, bujur, suhu kecerahan, daya pancar api, dan kepercayaan) untuk mengetahui daerah yang memiliki titik api dan mengklasifikasikan data titik api menjadi tiga potensi kebakaran (risiko rendah, risiko sedang, dan risiko tinggi). Penelitian ini berhasil mengimplementasikan metode Support Vector Machine (SVM) untuk mengklasifikasikan data hotspot. Hasil penelitian ini menunjukkan bahwa metode SVM dapat digunakan dalam proses klasifikasi data titik api di Pulau Papua selama tiga tahun (2019, 2020, dan 2021) dengan hasil yang didapat adalah potensi kebakaran. Terdapat 2.214 data hotspot yang termasuk dalam kategori risiko rendah; 15.412 titik api dengan risiko sedang; dan 4.479 titik api dengan potensi risiko tinggi. Selain itu, penelitian ini juga menemukan bahwa jumlah kejadian hotspot tertinggi terjadi pada bulan Agustus dan terendah pada bulan Januari untuk setiap tahun analisis. Penelitian ini memetakan posisi spasial kejadian titik api berdasarkan tingkat risiko di pulau Papua yang menunjukkan bahwa titik api paling banyak terjadi di Papua bagian Selatan (Kota Merauke, Kota Tolikara, dan Kota Puncak Jaya). Terakhir, penelitian ini menghasilkan nilai kebenaran 91,475% untuk teknik pengujian Polynomial Kernel dan 93,667% pada Confusion Matrix sebagai proses validasi.

Abstract

Papua Island is an area that often experiences forest or land fires and is noted to have extensive fires from 2013 to 2018 reaching 2,092.44 Ha, while there is still very limited research indicating the urgent area to be monitored intensively to protect the forest left in this area. One indicator of the occurrence of forest or land fires can be known by the appearance of hotspots over the land area. As an effort to overcome forest or land fires, this study utilizes hotspot data (latitude, longitude, brightness temperature, fire radiative power,  and confidence) to find out the area that has a hotspot and classifying hotspot data into three potential fires (low risk, medium risk, and high risk). This study succeeded to implement the Support Vector Machine (SVM) method for classifying hotspot data. The results of this study indicate that the SVM method can be used in the process of classifying hotspot data on Papua Island for three years (2019, 2020, and 2021) with the results obtained are being potential fires. There are 2,214 hotspot data included in the category of low risk; 15,412 hotspots in medium risk; and 4,479 fire hotspots in high-risk potential. Furthermore, this research also found that the highest number of hotspot occurrences was in the month of October and the lowest number was in the month of January for each year of analysis. This research mapped the spatial position of hotspots occurrences based on the rate of risk over Papua island that showed the most occurrences of fire hotspots was in the South part of Papua (Merauke City, Tolikara City, and Puncak Jaya City). Finally, this research produces 91.475% truth values for the Polynomial Kernel testing technique and 93.667% in the Confusion Matrix as a validation process.