<![CDATA[Kebakaran hutan dan lahan masih menjadi persoalan lingkungan yang sering terjadi dan menimbulkan berbagai dampak serius, mulai dari kerusakan ekosistem, gangguan kesehatan, hingga kontribusi terhadap perubahan iklim. Kejadian kebakaran ini tidak hanya dipengaruhi oleh kondisi alam seperti musim kemarau yang berkepanjangan dan vegetasi yang kering, tetapi juga oleh aktivitas manusia yang kurang terkendali. Seiring dengan perkembangan teknologi saat ini, pendekatan berbasis machine learning dapat dimanfaatkan untuk membantu menganalisis dan memperkirakan tingkat risiko kebakaran hutan secara lebih efektif. Penelitian ini membahas penggunaan tiga algoritma machine learning, yaitu Decision Tree, Random Forest, dan XGBoost, untuk mengklasifikasikan wilayah ke dalam kategori rawan dan tidak rawan kebakaran. Ketiga algoritma tersebut termasuk dalam model berbasis pohon keputusan yang mampu mengidentifikasi faktor-faktor penting yang mempengaruhi terjadinya kebakaran melalui analisis feature importance. Kinerja model dievaluasi menggunakan metrik accuracy, precision, recall, dan F1-score guna melihat tingkat keandalan hasil klasifikasi. Hasil pengujian menunjukkan Decision Tree memperoleh accuracy sebesar 98%, XGBoost 97%, dan Random Forest 95%. Variabel Fine Fuel Moisture Code muncul sebagai faktor yang paling berpengaruh dalam meningkatkan risiko kebakaran hutan, sedangkan Initial Spread Index turut berperan dalam mempercepat potensi penyebaran api. Hal ini menunjukkan bahwa kondisi kekeringan bahan bakar permukaan seperti daun kering, ranting kecil menjadi kering dan kecepatan awal penyebaran api merupakan indikator penting dalam penilaian risiko kebakaran hutan.]]>
Copyrights © 2026
