RM185202 – SISTEM INFORMASI GEOGRAFIS LANJUT

Fire Risk Probability Mapping Using

Machine Learning Tools and Multi-Criteria
Decision Analysis in the GIS Environment: A
Case Study in the National Park Forest
Dadia-Lefkimi-Soufli, Greece

Yannis Maniatis, Athanasios Doganis and Minas Chatzigeorgiadis

DISUSUN OLEH :
SIGIT KURNIAWAN, S.T.
6016211006

DOSEN PENGAMPU :
HEPI HAPSARI HANDAYANI, ST., M.SC., PH.D.
SUMBER
PENDAHULUAN
LATAR BELAKANG
Frekuensi kebakaran hutan meningkat pesat di Eropa Selatan, menimbulkan tantangan besar bagi
Yunani, Italia, Portugal, Spanyol, dan Prancis.
Kebakaran hutan dapat menjadi ancaman serius bagi kesehatan manusia dan infrastruktur, serta
ekosistem dan keanekaragaman hayati.
Selama 2001–2017, kebakaran hutan di Yunani telah membakar rata-rata 55.000 ha per tahun, yang
sebagian besar ditutupi oleh kawasan hutan.
Sistem informasi geografis (SIG) merupakan platform yang efektif untuk menganalisis,
memvisualisasikan, dan menyebarkan data dan informasi spasial dan temporal, dapat digunakan
untuk koordinasi, pertukaran informasi, dan penyediaan kesadaran untuk semua pemangku
kepentingan yang terlibat (semua tingkat otoritas, pemadam kebakaran, polisi, dinas kehutanan,
koperasi pertanian, warga, dll).
Multi Criteria Decision Analysis (MCDA) dalam hubungannya dengan Analytic Hierarchy Process (AHP),
dalam memberikan bobot pada parameter yang mempengaruhi, dapat dikembangkan untuk peta
risiko kebakaran.
 PENDAHULUAN
BATASAN MASALAH

Bagaimana pengambilan keputusan dari 7 kriteria (tutupan lahan, ketinggian, aspek orientasi,
lereng, TWI, jarak dari jalan dan jarak dari pemukiman) dimodelkan dengan Multi-Criteria Decision
Analysis (MCDA)dengan metode Analytic Hierarchy Process (AHP)?
Bagaimana tingkat ketelitian yang dihasilkan dari model yang dibuat?
Bagaimana distribusi risiko kebakaran di Taman Nasional Dadia-Lefkimi-Soufli untuk September
2019 dan September 2021?
Apakah dampak kebakaran yang terjadi mempengaruhi hasil analisis risiko kebakaran hutan?
 PENDAHULUAN
TUJUAN
Klasifikasi tutupan lahan dan vegetasi dari citra satelit dengan penerapan algoritma Machine
Learning.
Penggunaan Machine Learning dan Multi-Criteria Decision Analysis (MCDA)dengan metode
Analytic Hierarchy Process (AHP) untuk memetakan risiko kebakaran Hutan Taman Nasional
Dadia-Lefkimi-Soufli, Yunani.

MANFAAT
Memberikan informasi tentang faktor-faktor yang mempengaruhi terjadinya kebakaran.
Informasi kriteria risiko kebakaran secara keseluruhan di Hutan Taman Nasional Dadia-Lefkimi-
Soufli, Yunani tahun 2019 dan tahun 2021.
 DASAR TEORI
Multi Criteria Decision Analysis (MCDA) dan Analytic Hierarchy Process (AHP)
Dikembangkan oleh Saaty, seorang pakar matematika dari Pitsburg University. Menurut Zimmer (2011:3) Metode ini adalah
sebuah kerangka untuk mendukung pengambilan keputusan dengan efektif atas persoalan yang kompleks dengan
menyederhanakan dan mempercepat proses pengambilan keputusan dengan memecahkan persoalan tersebut ke dalam
bagian-bagiannya, menata criteria dan alternative dalam suatu susunan hirarki yang memberikan nilai numerik pada
pertimbangan subjektif tentang pentingnya variable dan mensinstesis berbagai pertimbangan ini untuk menetapkan
variable yang mana yang memiliki prioritas paling tinggi dan bertindak untuk mempengaruhi hasil pada situasi tersebut.

Analytic Hierarchy Process (AHP) menguraikan masalah MCDA yang sulit menjadi prosedur hierarki yang sistematis.
Langkah terakhir dalam metode AHP berkaitan dengan struktur matriks m x n (di mana m adalah jumlah alternatif dan n
adalah jumlah kriteria).
Penggunaan AHP dapat digunakan untuk menyelesaikan masalah yang kompleks, ukuran permasalahan yang berskala
besar dan nyata, serta untuk menangani banyak kriteria terhadap masalah yang sangat kompleks (Yang etc, 2002:33).
Salah satu tujuan AHP adalah derivasi dari bobot dan prioritas dari perbandingan berpasangan. Ada berbagai metode
yang tersedia untuk menentukan vektor prioritas salah satunya adalah metode eigenvector yang dikemukakan oleh (Saaty
dan Vargas, 2001). Metode ini juga memberikan gambaran yang berbeda cara dalam menentukan priority.
 DASAR TEORI
Support Vector Machine (SVM)
Merupakan salah satu metode dalam supervised learning yang biasanya digunakan untuk klasifikasi (seperti
Support Vector Classification) dan regresi (Support Vector Regression).

SVM digunakan untuk mencari hyperplane terbaik dengan memaksimalkan jarak antar kelas.
Hyperplane adalah sebuah fungsi yang dapat digunakan untuk pemisah antar kelas.
Hyperplane yang ditemukan SVM diilustrasikan seperti gambar di atas, posisinya berada ditengah-tengah
antara dua kelas, artinya jarak antara hyperplane dengan objek-objek data berbeda dengan kelas yang
berdekatan (terluar) yang diberi tanda bulat kosong dan positif.
 METODOLOGI
LOKASI PENELITIAN
Lokasi penelitian di zona Natura 2000
dengan kode GR1110005, yang
bertepatan dengan Hutan Taman
Nasional Dadia-Lefkimi-Soufli. Daerah
penelitian terletak di daerah Evros,
◦
dengan koordinat 26,03 E ke 26,32 ◦
E dan dari 40,98 ◦ N ke 41,26◦ N, Gambar 1.(a) Lokasi wilayah studi di Yunani (b) dan
di daerah Evros. (c) Garis bujur dan garis lintang

dengan luas total 42.481 ha. kawasan Natura 2000 (GR1110005) yang bertepatan
dengan Hutan Taman Nasional Dadia- Lefkimi-Soufli,
termasuk zona lindung A1 dan A2.
 METODOLOGI
ALAT & BAHAN
SOFTWARE

ArcGIS Pro 2.9.1

DATA
1. Citra Satelit Sentinel-2 Tahun 2019 (Band 3, Band 4, dan Band 8)
Scene : 18 September 2019 pukul 09:06 WIB.
2. Citra Satelit Sentinel-2 Tahun 2021 (Band 3, Band 4, dan Band 8)
Scene : 27 September 2021 pukul 09:06 WIB.
DIAGRAM ALIR METODOLOGI
1. Sentinel-2 level 2, yang telah menerima koreksi atmosfer. Selanjutnya,
Band spektral B03, B04, dan B08 diekstraksi dari citra asli, dengan
resolusi spasial 10 m, untuk menghasilkan citra infra merah berwarna
yang diperlukan untuk klasifikasi lahan.
2. Untuk mengklasifikasikan citra infra merah berwarna, digunakan model
Supervised Machine Learning (SML), menggunakan aplikasi algoritma
Support Vector Machine (SVM).
3. Perhitungan faktor topografi, model elevasi digital (DEM) dari
Copernicus Land Monitoring Service. Copernicus DEM dengan resolusi
spasial 25× 25 m, dengan akurasi vertikal±7 m. Kemiringan, aspek, dan
TWI diperoleh dengan menganilisis DEM.
4. Jalan dan lokasi pemukiman diunduh dari open source.
5. Analisis raster dan perhitungan tersebut, digunakan perangkat lunak
GIS ArcGIS Pro 2.9.1.
6. Untuk validasi hasil, memeriksa dampak kebakaran pada tutupan lahan
dan risiko kebakaran, peta bekas luka bakar yang terperinci diperoleh
dari Badan Pengelola Nasional Taman Nasional Hutan Dadia-Lefkimi-
Soufli, Yunani.
7. Lokasi hotspot VIIRS juga digunakan untuk memvalidasi perluasan
Gambar 2. Diagram alir penelitian. spasial dari area yang terbakar.
 METODOLOGI
FAKTOR MEMPENGARUHI KEBAKARAN
01 Tutupan Lahan (Land Cover)
Peta tutupan lahan, dibuat menggunakan algoritma SVM untuk memproses citra inframerah berwarna dari
September 2019 dan September 2021, yang berasal dari kombinasi Band Sentinel-2 B03, B04, dan B08.

Tabel 1. Klasifikasi risiko kebakaran tutupan lahan.

Untuk mengklasifikasikan gambar, menggunakan 6 kelas: hutan

pinus, hutan ek, semak dan rumput rendah, lahan kosong,
badan air, dan area bangunan. Untuk melatih algoritma SVM,
dilakukan dengan mengumpulkan beberapa sampel bagian
homogen dari setiap gambar, yang mewakili salah satu dari
enam kelas.

Gambar 3. .Klasifikasi risiko kebakaran tutupan lahan (a) untuk September 2019 dan
(b) untuk September 2021.
 METODOLOGI
FAKTOR MEMPENGARUHI KEBAKARAN
02 Ketinggian
Ketinggian mempengaruhi kelembaban vegetasi dan suhu. Vegetasi di dataran tinggi memiliki tingkat
kelembaban yang lebih tinggi dan suhu yang lebih rendah.

Tabel 2. Klasifikasi risiko kebakaran ketinggian.

Dataran tinggi biasanya memiliki kerapatan vegetasi yang lebih

rendah. Dengan mempertimbangkan karakteristik topografi
wilayah, distribusi risiko kebakaran dibagi ke dalam 5 kelas,
seperti yang ditunjukkan pada tabel di atas.
Ketinggian di daerah penelitian menurut DEM, berkisar antara 10
m hingga 645 meter.

Gambar 4.(a) Ketinggian. (b) Klasifikasi risiko kebakaran ketinggian.

 METODOLOGI
FAKTOR MEMPENGARUHI KEBAKARAN
03 Aspek Orientasi
Di belahan bumi Utara, lereng berorientasi Selatan menerima lebih banyak sinar matahari, dan dengan demikian
vegetasi kehilangan kelembaban lebih cepat dan menjadi lebih mudah terbakar. Selain itu, karena perbedaan
distribusi sinar matahari di antara orientasi lereng yang berbeda, aspek Selatan biasanya memiliki vegetasi yang
lebih lebat.
Tabel 3. Klasifikasi aspek risiko kebakaran.

Kelembaban yang lebih rendah dan vegetasi yang

lebat menghasilkan risiko kebakaran yang lebih tinggi,
dengan demikian vegetasi yang menghadap ke
Selatan lebih mudah terbakar.
Aspek tersebut berasal dari DEM dan disajikan dengan
warna yang berbeda tergantung pada orientasinya.

Gambar 5.(a) Ketinggian. (b) Klasifikasi risiko kebakaran ketinggian.

 METODOLOGI
FAKTOR MEMPENGARUHI KEBAKARAN
04 Lereng
Api merambat lebih cepat di lereng yang lebih curam karena api dapat mencapai vegetasi yang lebih tinggi
dengan lebih mudah pada sudut permukaan yang besar. Selain itu, pada lereng yang curam, limpasan air
meningkat lebih cepat, sehingga kelembaban tanah berkurang.

Tabel 4. Klasifikasi kemiringan risiko kebakaran.

Kedua faktor tersebut membuat daerah dengan

kemiringan yang lebih curam memiliki risiko
kebakaran yang lebih tinggi.
Untuk menghitung raster kemiringan,
menggunakan DEM dan disajikan dalam bentuk
Gambar 6.(a) Lereng. (b) Klasifikasi risiko kebakaran lereng.
persentase.
 METODOLOGI
FAKTOR MEMPENGARUHI KEBAKARAN
05 Indeks Basah Topografi/ Topographic Wetness Index (TWI)
TWI dapat mensimulasikan konsentrasi air yang dapat diturunkan dari topografi. Kehadiran air mempengaruhi
kelembaban tanah dan membuat vegetasi di sekitarnya lebih sulit terbakar.

Tabel 5. Klasifikasi risiko kebakaran TWI.

TWI daerah penelitian dihitung dari total daerah

tangkapan, lebar aliran, dan kemiringan dari DEM.

Gambar 7.(a) Lereng. (b) Klasifikasi risiko kebakaran lereng.

 METODOLOGI
FAKTOR MEMPENGARUHI KEBAKARAN
06 Jarak dari Jalan
Aktivitas manusia di dekat jalan dapat menjadi penyebab terjadinya kebakaran, dan oleh karena itu area di
sekitar jaringan jalan memiliki risiko kebakaran yang lebih tinggi. Untuk mengaitkan risiko kebakaran dengan area
tersebut, kami mempertimbangkan studi sebelumnya bersama dengan struktur jaringan jalan.

Tabel 6. Klasifikasi risiko kebakaran wilayah sekitar jaringan jalan.

Jarak 200 m pertama di dekat jaringan jalan ditetapkan memiliki risiko

kebakaran tinggi, dan setelah itu risiko berkurang satu kelas pada
interval 200 m. Klasifikasi risiko kebakaran disajikan pada Tabel6. Cincin
multi-buffer masing-masing 200 m dihitung sekitar.
setiap segmen jalan dan ditransformasikan ke raster untuk dimasukkan
ke dalam model.
Gambar 8.(a) Rasterisasi zona penyangga setiap 200 m dari jaringan jalan.
(b) Klasifikasi risiko kebakaran berdasarkan jaringan jalan.

 METODOLOGI
FAKTOR MEMPENGARUHI KEBAKARAN
07 Jarak dari Pemukiman
Jarak di sekitar lokasi pemukiman mempengaruhi risiko kebakaran sama seperti jaringan jalan. Daerah yang
lebih dekat dengan pemukiman memiliki risiko yang lebih tinggi daripada yang lebih jauh. Untuk mendistribusikan
risiko kebakaran, adalah dengan mempertimbangkan luasan spasial permukiman.

Tabel 7. Klasifikasi risiko kebakaran kawasan sekitar lokasi

pemukiman.

Luas pemukiman rata-rata adalah 500 m. Kemudian menetapkan area

di dalam radius 900 m di sekitar pemukiman berada dalam risiko
kebakaran yang ekstrim, dan setelah itu risiko tersebut berkurang 1 kelas
pada interval 400 m. Zona penyangga dengan menggunakan jarak
tersebut diterapkan di sekitar setiap pemukiman.
Gambar 9.(a) Zona penyangga raster dari jarak dari pemukiman.
(b) Klasifikasi risiko kebakaran wilayah sekitar lokasi pemukiman.

 METODOLOGI
Atribusi Bobot ke Faktor
Untuk menghitung bobot masing-masing faktor, digunakan Analytic Hierarchy Process (AHP) sebagai metode
multi kriteria. AHP dapat memperkirakan signifikansi masing-masing faktor yang diberikan perbandingan
berpasangan antara masing-masing dari tujuh faktor tersebut.
Tabel 8. Perbandingan berpasangan faktor risiko kebakaran bersama dengan bobot yang ditetapkan.

Secara khusus, kemiringan, DEM, aspek, dan TWI mencerminkan dampak topografi terhadap risiko kebakaran. Jarak dari jalan raya dan
pemukiman menangkap dampak aktivitas manusia terhadap penyalaan api. Terakhir, tutupan lahan menggambarkan pergantian risiko
kebakaran, karena ketersediaannya menjadi bahan yang mudah terbakar.
 METODOLOGI
Atribusi Bobot ke Faktor
Untuk memverifikasi konsistensi estimasi perbandingan, dengan cara menghitung rasio konsistensi (CR) dengan
menerapkan persamaan berikut:
CI = (λmaks− n)/(n− 1) .............................................................(1)
CR = CI/RI ............................................................................................(2)
λmax pada Persamaan (1) adalah nilai eigen terganggu dari matriks yang dibangun dengan perbandingan berpasangan, seperti yang
digambarkan pada Tabel8. n adalah orde matriks, n = 7. Indeks konsistensi (CI) pada Persamaan (1) mengukur perbedaan antara
max dan nilai eigen eksak, n. CR pada Persamaan (2) dihitung dari indeks konsistensi acak (RI).
Tabel 9. Nilai indeks konsistensi acak (RI).

Berdasarkan tabel di atas, RI = 1,32 untuk tujuh faktor. Selanjutnya, mengenai estimasi berpasangan, CR = 0,07. Karena CR < 0,1, estimasi
matriks berpasangan konsisten.

Risiko Kebakaran = 0,27∗ LC + 0,09∗ Ketinggian + 0,05∗ Aspek + 0,07∗ Kemiringan + 0,12∗ TWI + 0,23∗ DfR + 0,17∗ DfS .............
(3)
 HASIL & PEMBAHASAN
HASIL
Peta risiko kebakaran September 2019 dan September 2021, dengan resolusi spasial 25 m×25 m, dihitung menggunakan Persamaan
(3), dan disajikan pada gambar di bawah, bersama dengan nilai skala risiko kebakaran relatif. Kelas risiko untuk sebagian besar area
tidak berubah. Parameter yang digunakan dalam model tetap, relatif tidak berubah untuk jangka waktu yang lama. Oleh karena itu peta
risiko mewakili risiko kebakaran dasar di area tersebut .
Tabel 10. Distribusi risiko kebakaran di Taman Nasional
Dadia-Lefkimi-Soufli untuk September 2019 dan September
2021.

Risiko kebakaran rata-rata di Hutan Taman Nasional Dadia-

Gambar 10. Risiko kebakaran di Hutan Taman Nasional Dadia-Lefkimi-Soufli
(a) September 2019 dan (b) September 2021.
Lefkimi-Soufli tinggi untuk kedua tahun tersebut. Secara khusus,
50% dari total 42.481 ha area studi. Tahun 2019 dianggap berisiko
kebakaran tinggi. Demikian pula, 48% dari total area dianggap
memiliki risiko kebakaran tinggi untuk tahun 2021. Selain itu, untuk
kedua tahun tersebut, 5% dari Taman Nasional berada pada risiko
kebakaran yang sangat tinggi.
 HASIL & PEMBAHASAN
VALIDASI HASIL
Dampak Kebakaran di Bulan Oktober 2020
Kebakaran memiliki dampak yang signifikan terhadap risiko kebakaran di daerah tersebut. Perubahan tutupan lahan hasil identifikasi dengan algoritma
SVM menginfokan risiko kebakaran dan ditangkap oleh perbedaan antara peta risiko kebakaran di dalam luas area yang terkena dampak sebelum
dan sesudah kejadian kebakaran. Risiko kebakaran di area tersebut turun dari risiko tinggi ke risiko sedang-rendah. Daerah berisiko tinggi turun dari 41%
sebelum kebakaran menjadi 10% setelah kebakaran, sedangkan daerah berisiko rendah meningkat 17%. Perubahan tersebut terkait dengan hilangnya
vegetasi akibat kebakaran pada tanggal 5 Oktober 2020. Luas kebakaran terkait dengan peta risiko kebakaran tahun 2021, serta perbaruan distribusi
risiko kebakaran di dalam area yang terkena dampak.

Gambar 11. (a) Luas kebakaran pada tanggal 5 Oktober 2020 dibandingkan Gambar 12. (a) Luas kebakaran pada tanggal 5 Oktober 2020 relatif terhadap peta
dengan peta risiko kebakaran tahun 2019. (b) Distribusi risiko kebakaran di dalam risiko kebakaran tahun 2021. (b) Pembaruan distribusi risiko kebakaran di dalam area
area yang terkena dampak sebelum kebakaran pada tanggal 5 Oktober 2020. yang terkena dampak, setelah kebakaran pada tanggal 5 Oktober 2020.
 HASIL & PEMBAHASAN
VALIDASI HASIL
Dampak Kebakaran pada Juli 2021
Kebakaran serius kedua di Hutan Taman Nasional Dadia-Lefkimi-Soufli tercatat pada 9 Juli 2021, di Utara pemukiman Lefkimi. Kebakaran tersebut
menghanguskan sekitar 242 ha kawasan hutan, dan hampir mendekati batas kebakaran yang terjadi pada bulan Oktober 2020. Menurut pengukuran
◦ ◦
titik api VIIRS, suhu kecerahan saat kebakaran berkisar antara 59 C ke 32 C. Berdasarkan model, area yang terkena dampak sebelum terjadinya
kebakaran dianggap memiliki risiko kebakaran yang tinggi. Secara khusus, 59% dari keseluruhan area diklasifikasikan memiliki risiko kebakaran tinggi,
dan 10% memiliki risiko kebakaran sangat tinggi. Sebaliknya, hanya 4% dari area diklasifikasikan sebagai rendah dan 0% sebagai risiko kebakaran
sangat rendah.

Gambar 13. (a) Luas kebakaran pada tanggal 5 Oktober 2020 dibandingkan Gambar 13. (a) Luas kebakaran pada tanggal 5 Oktober 2020 relatif terhadap
dengan peta risiko kebakaran tahun 2019. (b) Distribusi risiko kebakaran di dalam peta risiko kebakaran tahun 2021. (b) Pembaruan distribusi risiko kebakaran di
area yang terkena dampak sebelum kebakaran pada tanggal 9 Juli 2021. dalam area yang terkena dampak, setelah kebakaran pada tanggal 9 Juli 2021.
 KESIMPULAN
Data Citra Satelit Sentinel-2 Level 2 dengan Machine Learning menggunakan MCDA dapat digunakan untuk analisis
risiko kebakaran hutan.
Distribusi risiko kebakaran di Taman Nasional Dadia-Lefkimi-Soufli untuk September 2019 dan September 2021.

Tutupan lahan terbukti menjadi faktor dengan bobot tertinggi. Namun, tidak berarti bahwa topografi dan aktivitas
manusia menjadi kurang penting.
Dengan kombinasi AHP (untuk menentukan risiko kebakaran) dan algoritma SVM (untuk mengklasifikasikan tutupan
lahan), dapat digunakan untuk mengidentifikasi baseline risiko kebakaran Hutan Taman Nasional Dadia-Lefkimi-Soufli
untuk September 2019 dan September 2021.
Sebagian besar kawasan di Hutan Taman Nasional Dadia-Lefkimi-Soufli tergolong berisiko tinggi.
Perubahan tutupan lahan akibat kebakaran sebelumnya memiliki penurunan risiko kebakaran yang signifikan. dari
daerah yang terkena dampak. Penyebab utamanya adalah hilangnya hutan pohon pinus yang sangat mudah
terbakar di dekat pemukiman Lefkimi.
DAFTAR PUSTAKA
DAFTAR PUSTAKA
DAFTAR PUSTAKA
DAFTAR PUSTAKA
THANK YOU