ANALISIS VISUAL TENTANG POLA KEBAKARAN HUTAN: STUDI KASUS MENGGUNAKAN DATA INDEKS CUACA DAN AREA TERBAKAR
DOI:
https://doi.org/10.36002/jutik.v10i3.3458Keywords:
Data Spasial, Sistem Informasi Geografis, Model Prediksi KebakaranAbstract
Kebakaran hutan menyebabkan kerugian yang signifikan dalam bentuk kerusakan habitat, emisi gas
rumah kaca, hilangnya kehidupan satwa liar, dan bahkan hilangnya nyawa manusia. Untuk mengurangi
risiko kebakaran hutan, sangat penting untuk memahami faktor-faktor yang mempengaruhinya. Kondisi
cuaca, seperti kelembaban, suhu, kekeringan, dan kecepatan angin, dikenal sebagai faktor utama yang
memengaruhi kebakaran hutan. Oleh karena itu, analisis visual terhadap pola kebakaran hutan
menggunakan data indeks cuaca dapat memberikan wawasan yang berharga. Indeks kebakaran hutan,
seperti FFMC, DMC, DC, dan ISI, telah dikembangkan untuk memprediksi risiko kebakaran hutan.
Indeks-indeks ini mengukur kelembaban bahan bakar, kekeringan, dan penyebaran awal kebakaran.
Namun, ada kebutuhan untuk memahami lebih dalam bagaimana indeks-indeks ini berkorelasi dengan
pola kebakaran hutan sebenarnya. Data tentang kebakaran hutan, termasuk lokasi, waktu, dan luas area
terbakar, tersedia dalam berbagai dataset. Analisis visual terhadap data ini dapat membantu dalam
mengidentifikasi pola-pola spasial dan temporal dari kebakaran hutan, serta korelasinya dengan faktorfaktor cuaca. Visualisasi data memainkan peran kunci dalam memahami pola-pola yang kompleks dalam
dataset besar. Dengan menggunakan teknik visualisasi yang tepat dapat mengidentifikasi tren, anomali,
dan pola-pola yang tidak terlihat secara langsung melalui analisis statistik. Penelitian ini bertujuan untuk
menganalisis visual pola kebakaran hutan dengan menggunakan data indeks cuaca dan area terbakar.
Hasil penelitian ini diharapkan dapat memberikan pemahaman yang lebih dalam tentang hubungan
antara kondisi cuaca dan kebakaran hutan. Informasi yang diperoleh dapat digunakan untuk
meningkatkan pemahaman tentang risiko kebakaran hutan serta mengembangkan strategi yang lebih
efektif dalam mitigasi bencana kebakaran hutan.
References
D. van Wees, G. R. van der Werf, J. T.
Randerson, N. Andela, Y. Chen, and D.
C. Morton, “The role of fire in global
forest loss dynamics,†Glob Chang
Biol, vol. 27, no. 11, pp. 2377–2391,
Jun. 2021, doi: 10.1111/gcb.15591.
İ. Daşdemir, F. Aydın, and M. Ertuğrul,
“Factors Affecting the Behavior of
Large Forest Fires in Turkey,†Environ
Manage, vol. 67, no. 1, pp. 162–175,
Jan. 2021, doi: 10.1007/s00267-020-
-z.
S. Eskandari, J. R. Miesel, and H. R.
Pourghasemi, “The temporal and
spatial relationships between climatic
parameters and fire occurrence in
northeastern Iran,†Ecol Indic, vol. 118,
p. 106720, Nov. 2020, doi:
1016/j.ecolind.2020.106720.
J. S. S. Junior, J. Paulo, J. Mendes, D.
Alves, and L. M. Ribeiro, “Automatic
Calibration of Forest Fire Weather
Index For Independent Customizable
Regions Based on Historical Records,â€
in 2020 IEEE Third International
Conference on Artificial Intelligence
and Knowledge Engineering (AIKE),
IEEE, Dec. 2020, pp. 1–8. doi:
1109/AIKE48582.2020.00011.
R. Thakkar, V. Abhyankar, P. D. Reddy,
and S. Prakash, “Environmental Fire
Hazard Detection and Prediction using
Random Forest Algorithm,†in 2022
International Conference for
Advancement in Technology
(ICONAT), IEEE, Jan. 2022, pp. 1–4.
doi:
1109/ICONAT53423.2022.9726029
.
Y. O. Sayad, H. Mousannif, and H. Al
Moatassime, “Predictive modeling of
wildfires: A new dataset and machine
learning approach,†Fire Saf J, vol. 104,
pp. 130–146, Mar. 2019, doi:
1016/j.firesaf.2019.01.006.
M. Yasir, “Website: https://jinnovative.org/index.php/Innovative
Visualisasi Data Destinasi Wisata di
DKI Jakarta Menggunakan Pyhton
Google Collab,†Journal Of Social
Science Researc, vol. 3, pp. 9006–9014,
, [Online]. Available: https://jinnovative.org/index.php/Innovative
S. N. Zahra, P. Eko, P. Utomo, S. Pd,
and M. 2 Cs, “Visualisasi Data
Penjualan Barang Retail di Seluruh
Dunia Menggunakan Tableau,†2023.
N. A. A. Dhaffa et al., “Probabilitas
kerentanan kebakaran hutan dan lahan
menggunakan Model Hotspot
Algoritma Maximum Entropy,†ULIN:
Jurnal Hutan Tropis, vol. 8, no. 2, p. 72,
Aug. 2024, doi:
32522/ujht.v8i2.14859.
Haryani, “Algoritma Klasifikasi
Multilayer Perceptron Dalam Analisa
Data Kebakaran Hutan,†Jurnal
Infortech, vol. 5, no. 1, pp. 64–70, Jun.
I. Achmad Komarudin, A. Rahman
Hidayat, D. Ayu Permatasari, P. Studi
Teknik Elektronika Jurusan Teknik
Elektro-Politeknik Negeri Malang Jl
Soekarno Hatta No, K. Malang, and J.
Timur, “PERANCANGAN USER
INTERFACE MONITORING DATA
SENSOR UNTUK MENENTUKAN
NILAI FINE FUEL MOISTURE
CODE SEBAGAI PERINGATAN
DINI POTENSI KEBAKARAN
HUTAN,†Jurnal Teknik Elektro dan
Informatika, vol. 17, no. 2, pp. 45–54,
M. Reza Noviansyah, T. Rismawan, D.
Marisa Midyanti, J. Sistem Komputer,
and F. H. MIPA Universitas Tanjungpura Jl Hadari Nawawi,
“PENERAPAN DATA MINING
MENGGUNAKAN METODE KNEAREST NEIGHBOR UNTUK
KLASIFIKASI INDEKS CUACA
KEBAKARAN BERDASARKAN
DATA AWS (AUTOMATIC
WEATHER STATION) (STUDI
KASUS: KABUPATEN KUBU
RAYA),†2018.
F. Bifakhlina and R. M. Bianca, “Tahap
Analisis Data untuk Profesional
Informasi Menggunakan Google
Looker Studio,†Online, 2024.
N. Hidayati, S. Sutikno, and N. Qomar,
“ANALISIS KARAKTERISTIK
SPASIAL DAN TEMPORAL
KEBAKARAN LAHAN GAMBUT
DI KHG PULAU RANGSANG,â€
Jurnal Teknik, vol. 16, no. 2, pp. 116–
, 2022, doi: 10.31849/teknik.v16i2.
S. Aldiansyah, K. A. Wahid, and D. S.
W. Ningsih, “PEMETAAN WILAYAH
KEBAKARAN HUTAN DAN
LAHAN MENGGUNAKAN CITRA
MODIS (Studi Kasus: Provinsi
Sulawesi Tenggara),†Jurnal
Geosaintek, vol. 8, no. 1, p. 141, Apr.
, doi:
12962/j25023659.v8i1.12019.
M. Rahmah and M. Hamdi,
“Pengendalian Kebakaran Hutan dan
Lahan: Mewujudkan Efektivitas
Sebuah Kebijakan,†Matra
Pembaruan, vol. 6, no. 1, pp. 15–27,
May 2022, doi:
21787/mp.6.1.2022.15-27.
S. Angreini, “Visualisasi Data Lokasi
Rawan Bencana Di Provinsi Sumatera
Selatan Menggunakan Tableau,†Jurnal
Nasional Ilmu Komputer, vol. 2, no. 2,
pp. 135–147, May 2021.
P. K. Srivastava, G. P. Petropoulos, M.
Gupta, S. K. Singh, T. Islam, and D.
Loka, “Deriving forest fire probability
maps from the fusion of visible/infrared
satellite data and geospatial data
mining,†Model Earth Syst Environ,
vol. 5, no. 2, pp. 627–643, Jun. 2019,
doi: 10.1007/s40808-018-0555-5.
X. Qin, Y. Luo, N. Tang, and G. Li,
“Making data visualization more
efficient and effective: a survey,†The
VLDB Journal, vol. 29, no. 1, pp. 93–
, Jan. 2020, doi: 10.1007/s00778-
-00588-3.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 Jurnal Teknologi Informasi dan Komputer

This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.