Pada kurun waktu dari tahun 1900-2016, kebakaran hutan dan lahan (KARHUTLA)
menempatkan Indonesia pada urutan pertama negara dalam hal jumlah penduduk
yang terkena dampak dan biaya ekonomi yang ditimbulkan. Pada KARHUTLA tahun
2015 yang lalu, pemerintah telah menghabiskan dana sebesar 221 trilyun rupiah dari
total 1.810 trilyun rupiah total pengeluaran negara. Adanya dampak ekonomi yang
begitu besar dan potensi gangguan hubungan multilateral antar negara ASEAN,
upaya untuk menduga lebih awal akan terjadinya KARHUTLA menjadi sesuatu hal
yang penting. Kajian untuk dugaan dini berikut ini dilakukan dengan memanfaatkan
data hot-spot KARHUTLA berbasis satelit dan informasi iklim musiman (observasi dan
prediksi ENSO, prediksi probabilitas kondisi suhu dan curah hujan) pada 2 negara
ASEAN selatan yakni Malaysia dan Indonesia. Model yang mengaitkan antara masukan
data ENSO dan keluaran hot-spot tergolong model linear. Skill model prediktif ini
diuji melalui prediksi one-step-ahead dengan proses rolling-validation. Nilai korelasi,
RMSE (root-mean-square-error) dan jarak Euclidean dari model ini masing-masing
adalah: 0,7; 1650; dan 11729 1154 untuk Indonesia, dan 0,69; 172; dan 1225 121
untuk Malaysia. Skill model ini berubah secara signifikan dengan menambahkan
satu masukan lagi yakni jumlah hot spot pada musim sebelumnya. Untuk Indonesia,
skill tersebut berubah menjadi 0,90; 988 ;dan 7024 700. Skill model yang diperoleh
masih berpotensi untuk ditingkatkan lagi dengan menggunakan teknik nonlinear MIMO
SNGF2016 Halmar Halide.
(Multiple Inputs Multiple Outputs) Neural-Network.
http://fotorumahminimalis.com/harga-rumah-tipe-36/
http://www.bbc.com/news/business-35109393
http://asmc.asean.org/asmc-haze-hotspot-monthly/
http://www.cpc.ncep.noaa.gov/products/analysis_monitoring/ensostuff/ensoyears.shtml
http://www.cpc.ncep.noaa.gov/data/indices/oni.ascii.txt
http://www.cpc.ncep.noaa.gov/data/indices/3mth.nino34.81-10.ascii.txt
http://asmc.asean.org/asmc-haze-hotspot-monthly/
RECIPE:
Model: MR (Multiple Regression), Persistence
Model Input/Predictors: Past annual ENSO, NTI, Fire events
Modul Output/Predictant: next year fire events
Validation: Rolling Validation/ One-step-ahead forecast
training
training
testing
testing
, etc
Prediction skill: Pearson correlation , RMSE and distance from line of perfect forecast
SNGF2016 Halmar Halide
https://mattmazur.com/2015/03/17/a-step-by-step-backpropagation-example/
http://cwfis.cfs.nrcan.gc.ca/maps/fw
https://www.scribd.com/doc/295278857/FREE-e-book-Kebakaran-Lahan-liar-Prediksi-danVerifikasinya