Tentang SmartLib Bantuan Pengguna

Skripsi S1

Record Data Skripsi S1

MhswID :

220401223

Judul :

PENERAPAN ALGORITMA RANDOM FOREST UNTUK DETEKSI DINI KEBAKARAN HUTAN DI RIAU BERDASARKAN KLASIFIKASI CITRA TITIK PANAS PADA DATA MODIS

Penulis :

ADRYAN MAHAPUTRA

Abstrak :

Kebakaran hutan dan lahan merupakan bencana lingkungan yang sering terjadi di Provinsi Riau. Upaya pencegahan membutuhkan sistem deteksi dini yang akurat untuk membedakan antara titik api nyata (valid fire) dan anomali termal (noise atau false alarm) yang ditangkap oleh sensor satelit. Penelitian ini bertujuan untuk membangun model klasifikasi machine learning menggunakan algoritma Random Forest berbasis data titik panas (Hotspot) satelit MODIS periode 2020–2025 di wilayah Riau. Atribut fisik yang diekstrak meliputi brightness, bright_t31, FRP (Fire Radiative Power), dan waktu perekaman (day/night). Tahapan pra-pemrosesan mencakup penyaringan geografis berbasis Shapefile administratif GADM (Global Administrative Areas), penghapusan nilai kosong, dan penanganan data pencilan (outlier) menggunakan metode Interquartile Range (IQR). Mengingat distribusi kelas target yang sangat tidak seimbang dengan Imbalance Ratio 10,46:1, teknik Synthetic Minority Over-sampling Technique (SMOTE) diterapkan guna mencegah model menjadi bias terhadap kelas mayoritas. Untuk mencari konfigurasi yang paling optimal, dilakukan hyperparameter tuning menggunakan Grid Search Cross Validation dengan fokus pada metrik Recall agar sistem memprioritaskan deteksi api valid. Evaluasi akhir model menggunakan pengujian Stratified 10-Fold Cross Validation yang dibungkus dalam Pipeline khusus untuk mencegah terjadinya kebocoran data (data leakage). Hasil penelitian menunjukkan bahwa model Random Forest yang telah dioptimasi (n_estimators=150, max_depth=None, class_weight='balanced') berhasil mencapai akurasi global 97,39% dengan Recall kelas Api Valid sebesar 92,83%, meningkat 5,65 poin persentase dibandingkan baseline (87,18%). Analisis Feature Importance mengonfirmasi bahwa waktu perekaman siang hari (is_day) dengan kontribusi 47,80% dan suhu kecerahan brightness (31,48%) menjadi prediktor paling krusial dalam klasifikasi titik panas. Model ini berpotensi diintegrasikan ke dalam sistem peringatan dini pemantauan bencana daerah untuk memandu alokasi tim patroli darat secara efisien.

Abstrak Inggris :

Forest and land fires are recurring environmental disasters in Riau Province. Mitigation efforts require an accurate early detection system to distinguish between actual fires (valid fires) and thermal anomalies (noise or false alarms) captured by satellite sensors. This study aims to build a machine learning classification model using the Random Forest algorithm based on MODIS satellite Hotspot data from 2020–2025 in the Riau region. The extracted physical attributes include brightness, bright_t31, FRP (Fire Radiative Power), and recording time (day/night). The preprocessing stage involves spatial filtering based on the GADM (Global Administrative Areas) administrative shapefile, missing values elimination, and outlier handling using the Interquartile Range (IQR) method. Given the highly imbalanced target class distribution with an Imbalance Ratio of 10.46:1, the Synthetic Minority Over-sampling Technique (SMOTE) was applied to prevent the model from biasing toward the majority class. Hyperparameter tuning was conducted using Grid Search Cross- Validation, focusing on the Recall metric to prioritize the detection of valid fires. The final model evaluation utilized Stratified 10-Fold Cross-Validation encapsulated within a specific Pipeline to prevent data leakage. The results demonstrate that the optimized Random Forest model (n_estimators=150, max_depth=None, class_weight='balanced') achieved a global accuracy of 97.39% with an Api Valid class Recall of 92.83%, an improvement of 5.65 percentage points over the baseline (87.18%). Feature Importance analysis confirmed that daytime recording time (is_day) with a contribution of 47.80% and brightness temperature (31.48%) are the most crucial predictors in Hotspot classification. This model has the potential to be integrated into regional disaster monitoring early warning systems to efficiently guide the allocation of ground patrol teams.

Tahun :

2026

Cover :

4c8f3-cover.pdf

Bab 1 :

ef6fa-skripsi_adryan-maha-putra_220401223-15-19.pdf

Bab 2 :

77de1-skripsi_adryan-maha-putra_220401223-20-40.pdf

Bab 3 :

7acc8-skripsi_adryan-maha-putra_220401223-41-60.pdf

Bab 4 :

d3e1b-skripsi_adryan-maha-putra_220401223-61-81.pdf