<![CDATA[Kebakaran hutan dan lahan merupakan bencana ekologis yang berulang di Indonesia, terutama pada periode musim kemarau. Peningkatan frekuensi dan intensitas kebakaran diperlukan mekanisme pencegahan yang lebih efektif berbasis informasi spasial mengenai wilayah rawan untuk mengurangi potensi dan dampaknya. Integrasi data penginderaan jauh yang merepresentasikan kondisi vegetasi, iklim, topografi, dan faktor antropogenik dengan pemodelan berbasis pembelajaran mesin menjadi pendekatan yang relevan untuk memetakan kerawanan kebakaran secara objektif dan terukur. Penelitian ini bertujuan mengevaluasi kinerja algoritma Random Forest (RF) dalam memodelkan probabilitas kerawanan kebakaran hutan dan lahan serta mengidentifikasi faktor-faktor dominan yang memengaruhinya melalui analisis variable importance berbasis Mean Decrease in Gini di kawasan Taman Nasional Bromo Tengger Semeru (TNBTS). Hasil penelitian menunjukkan bahwa model RF menghasilkan nilai AUC sebesar 0,948, yang mengindikasikan kemampuan diskriminatif sangat baik dalam membedakan area rawan dan tidak rawan kebakaran. Elevasi menjadi prediktor paling dominan dengan kontribusi sebesar 20,23%, diikuti oleh NDVI sebesar 11,51% dan Potential Evapotranspiration sebesar 10,16%. Temuan ini menunjukkan bahwa interaksi topografi, kondisi vegetasi, dan tekanan kekeringan merupakan pengontrol utama kerawanan kebakaran di TNBTS. Sementara itu, variabel aspect dan jarak terhadap sungai menunjukkan kontribusi terendah terhadap model. Hasil pemetaan menunjukkan bahwa kawasan dengan tingkat kerawanan tinggi mencakup 10.523,12 ha, sedangkan kelas kerawanan sangat tinggi mencakup 3.666,36 ha. Secara keseluruhan, penelitian ini menunjukkan bahwa RF merupakan pendekatan yang andal untuk pemetaan kerawanan kebakaran hutan dan lahan berbasis penginderaan jauh, sekaligus menyediakan dasar empiris bagi perumusan strategi pencegahan, pengawasan, dan mitigasi kebakaran yang lebih terarah pada skala operasional kawasan konservasi.]]>
Copyrights © 2026
