<![CDATA[Lahan gambut Kalimantan merupakan wilayah rawan kebakaran yang polanya dipengaruhi fase El Niño -Southern Oscillation (ENSO). Penelitian ini membandingkan metode partisi acak KFOLD k=5 dan metode partisi spasial BANDS dalam pemodelan kerentanan kebakaran lahan gambut Kalimantan periode 2015 – 2024 , menggunakan algoritma machine learning tunggal melalui paket ENMTML pada tiga fase ENSO. Random Forest dengan KFOLD mencapai AUC 0,999 pada El Niño, namun diagnostik kNNDM menunjukkan statistik Wasserstein KFOLD selalu lebih tinggi dibanding BANDS yang berkisar 90.218-121.109 meter berbanding hanya 19.096-77.225 meter, sehingga performa tinggi KFOLD kurang merepresentasikan kondisi prediksi sesungguhnya. Pada metode BANDS, algoritma terbaik berbeda tiap fase yaitu Maximum Entropy default dengan AUC 0,929 pada El Niño, Boosted Regression Trees dengan AUC 0,983 pada Netral, dan Random Forest dengan AUC 0,870 pada La Niña. Kalimantan Tengah dan Kalimantan Selatan menunjukkan proporsi kerentanan tinggi hingga sangat tinggi terbesar dibanding wilayah lain pada fase ENSO yang berbeda. Variasi ENSO tidak berperan signifikan pada kerentanan kebakaran lahan gambut di Kalimantan dibandingkan dengan aktivitas konveksi lokal dan prediktor kelembaban lingkungan. Pemilihan skema partisi yang memperhitungkan struktur spasial terbukti penting untuk menghasilkan peta kerentanan yang lebih realistis dan berpotensi mendukung upaya konservasi lahan gambut yang lebih sesuai dengan karakteristik lingkungan setempat.]]>
Copyrights © 2026
