Prediksi Spasial Kebakaran Lahan dan Hutan Bangka Belitung Berbasis CNN-LSTM untuk Mendukung Ketahanan Pangan dan Pembangunan Berkelanjutan: Spatial Prediction of Land and Forest Fires in Bangka Belitung Based on CNN-LSTM to Support Food Security and Sustainable Development

Yudistira Bagus Pratama; Mega Sukma

doi:10.57152/malcom.v6i3.2306

Authors

Yudistira Bagus Pratama Universitas Muhammadiyah Bangka Belitung
Mega Sukma Universitas Muhammadiyah Bangka Belitung

DOI:

https://doi.org/10.57152/malcom.v6i3.2306

Keywords:

Geospasial, Kecerdasan Buatan, Pembelajaran Mendalam, Penginderaan Jarak Jauh, Prediksi

Abstract

Kebakaran hutan dan lahan di Provinsi Kepulauan Bangka Belitung telah meningkat secara signifikan. Studi ini bertujuan untuk mengembangkan model prediksi spasial-temporal untuk titik api kebakaran hutan dan lahan menggunakan pendekatan pembelajaran mendalam hibrida berdasarkan Convolutional Neural Network (CNN) dan Long Short-Term Memory (LSTM). Kebaruan penelitian ini terletak pada integrasi variabel lingkungan multi-sumber (NDVI, LST, kelembaban, curah hujan, dan kecepatan angin) dengan fitur spasial berbasis satelit untuk meningkatkan akurasi prediksi. Model dilatih menggunakan data kebakaran historis dan citra satelit multi-temporal, dan dievaluasi menggunakan Mean Absolute Error (MAE) dan metrik kerugian validasi. Hasil menunjukkan bahwa model CNN-LSTM yang diusulkan mencapai kinerja yang stabil dengan kesalahan validasi rendah (val_loss = 0,024) dan MAE berkisar antara 0,12–0,13. Hasil prediksi spasial menunjukkan bahwa zona kebakaran berisiko tinggi terkonsentrasi di Kabupaten Bangka Selatan dan Bangka, sementara peramalan temporal hingga tahun 2030 menunjukkan tren yang relatif stabil dengan risiko kebakaran yang terus-menerus di area tertentu. Temuan ini menunjukkan bahwa model yang diusulkan efektif dalam menangkap pola kebakaran spasial-temporal yang kompleks dan dapat mendukung sistem peringatan dini berbasis data dan kebijakan mitigasi kebakaran regional. Studi ini berkontribusi pada kemajuan aplikasi pembelajaran mendalam dalam prediksi risiko lingkungan, khususnya dalam mengintegrasikan pemodelan spasial dan temporal untuk pembangunan berkelanjutan.

Downloads

Download data is not yet available.

References

J. R. Bergado, C. Persello, K. Reinke, and A. Stein, “Predicting wildfire burns from big geodata using deep learning,” Saf. Sci., vol. 140, no. January 2020, p. 105276, 2021, doi: 10.1016/j.ssci.2021.105276.

J. Kurniawan, A. Razak, N. Syah, S. Diliarosta, and A. Azhar, “Pemanasan Global: Faktor, Dampak dan Upaya Penanggulangan,” INSOLOGI J. Sains dan Teknol., vol. 3, no. 6, pp. 646–655, 2024.

C. Shi and F. Zhang, “A Forest Fire Susceptibility Modeling Approach Based on Integration Machine learning Algorithm,” Forests, vol. 14, no. 7, 2023, doi: 10.3390/f14071506.

X. You et al., “A PSO-CNN-Based Deep learning Model for Predicting Forest Fire Risk on a National Scale,” Forests, vol. 15, no. 1, 2024, doi: 10.3390/f15010086.

C. Y. Ku and C. Y. Liu, “Predictive Modeling of Fire Incidence Using Deep Neural Networks,” Fire, vol. 7, no. 4, pp. 1–22, 2024, doi: 10.3390/fire7040136.

Y. B. Pratama and N. P. Dalimunthe, “Implementasi Teknik Computer Vision Untuk Deteksi Viridiplantae Pada Lahan Pasca Tambang,” vol. 3, no. 1, pp. 64–72, 2022, doi: 10.47065/bulletincsr.v3i1.193.

Y. B. Pratama and A. Setiawan, “Implementasi Machine learning Menggunakan Algoritma K-Means Untuk Klasifikasi Sekolah Dasar,” Resolusi Rekayasa Tek. Inform. dan Inf., vol. 4, no. 3, pp. 249–257, 2024.

M. Mustaqim, A. Gunawan, Y. B. Pratama, and I. Zaliman, “Pengembangan Chatbot Layanan Publik Menggunakan Machine learning Dan Natural Languange Processing,” J. Inf. Technol. Soc., vol. 1, no. 1, pp. 1–4, 2023, doi: 10.35438/jits.v1i1.16.

Y. B. Pratama, N. P. Dalimunthe, and M. Sukma, “Prediksi Spasial Kerapatan Vegetasi Perkotaan dengan Pendekatan Algoritma Time series Untuk Mendukung Pertumbuhan Ekonomi Hijau,” vol. 6, no. 2, pp. 1495–1507, 2025, doi: 10.47065/josh.v6i2.6251.

R. Ghali and M. A. Akhloufi, “Deep learning Approaches for Wildland Fires Using Satellite Remote sensing Data: Detection, Mapping, and Prediction,” Fire, vol. 6, no. 5, 2023, doi: 10.3390/fire6050192.

N. Alizadeh, M. Mahdianpari, E. Hemmati, and M. Marjani, “FusionFireNet: A CNN-LSTM model for short-term wildfire hotspot prediction utilizing spatio-temporal datasets,” Remote Sens. Appl. Soc. Environ., vol. 37, p. 101436, 2025.

S. Pratama, E. Altiarika, and Y. B. Pratama, “Pengembangan Sistem Absensi Mahasiswa Magang PLN Icon Plus Bangka Belitung dengan Pengenalan Wajah menggunakan Computer Vision dan Algoritma Deep learning,” vol. 2, no. 2, pp. 52–59, 2024.

C. Mambile, S. Kaijage, and J. Leo, “Deep learning models for enhanced forest-fire prediction at Mount Kilimanjaro, Tanzania: Integrating satellite images, weather data and human activities data,” Nat. Hazards Res., no. October, pp. 1–13, 2025, doi: 10.1016/j.nhres.2024.12.001.

S. Yu and M. Singh, “Deep learning-Based Remote sensing Image Analysis for Wildfire Risk Evaluation and Monitoring,” Fire, vol. 8, no. 1, pp. 1–17, 2025, doi: 10.3390/fire8010019.

P. C. Latue, H. Rakuasa, G. Somae, and A. Muin, “Analisis perubahan suhu permukaan daratan di Kabupaten Seram Bagian Barat menggunakan platform berbasis cloud Google Earth Engine,” Sudo J. Tek. Inform., vol. 2, no. 2, pp. 45–51, 2023.

S. Najia and A. Triyatno, “Analisis Teori Politik Hijau terhadap Penerapan Tujuan Pembangunan Berkelanjutan (TPB) Kehidupan Daratan di Indonesia: Studi Kasus: Kebakaran Hutan dan Lahan Indonesia 2016-2019,” J. Sos. Polit. Perad., vol. 3, no. 1, pp. 87–104, 2022.

R. R. Rachmawati, “SMART FARMING 4.0 UNTUK MEWUJUDKAN PERTANIAN INDONESIA MAJU, MANDIRI, DAN MODERN Smart Farming 4.0 to Build Advanced, Independent, and Modern Indonesian Agriculture Rika Reviza Rachmawati,” Forum Penelit. Agro Ekon., vol. 38, no. 2, pp. 137–154, 2020, [Online]. Available: http://dx.doi.org/10.21082/fae.v38n2.2020.137-154

F. Fitriyani, “Implementasi Forward Selection dan Bagging untuk Prediksi Kebakaran Hutan Menggunakan Algoritma Naïve Bayes,” J. Nas. Teknol. dan Sist. Inf., vol. 8, no. 1, pp. 1–8, 2022, doi: 10.25077/teknosi.v8i1.2022.1-8.

F. Sodik, A. Sanusi Mashuri, and S. Huda, “Implementasi Algoritma Convolutional Neural Network Dan Linear Regresi Untuk Memprediksi Kebakaran Hutan Implementation of Convolutional Neural Network and Linear Regression Algorithm to Predict Forest Fires,” Cogito Smart J. |, vol. 9, no. 1, pp. 28–37, 2023.

A. Zuhdi and M. S. Utama, “Prediksi Wilayah Rawan Kebakaran Menggunakan Deep learning,” Ijccs, vol. x, No.x, no. x, pp. 1–5, 2024.

G. Dursun, F. Yilgan, and S. Dogan, “Monitoring of Moisture and Temperature Regime on Agricultural Land Parcels Using Landsat-8 Remote sensing Data in the Mardin Province, Türkiye,” J. Indian Soc. Remote Sens., pp. 1–16, 2025.

L. Wang, H. Liu, F. Zhang, L. Guo, and Z. Chen, “Intelligent prediction approach of spatial structure response and performance deterioration by integrating spatiotemporal deep learning and digital twins,” Eng. Struct., vol. 324, p. 119367, 2025.

K. Wang, S. Shan, W. Dou, H. Wei, and K. Zhang, “A cross-modal deep learning method for enhancing photovoltaic power forecasting with satellite imagery and time series data,” Energy Convers. Manag., vol. 323, p. 119218, 2025.

S. Gui, S. Song, R. Qin, and Y. Tang, “Remote sensing object detection in the deep learning era—a review,” Remote Sens., vol. 16, no. 2, p. 327, 2024.

L. Fitriani, “Kerangka Pemodelan Iklim Berbasis Kecerdasan Buatan Menggunakan Fusi Data Satelit dan Pembelajaran Mendalam,” RIGGS J. Artif. Intell. Digit. Bus., vol. 4, no. 4, pp. 8314–8324, 2026.

B. Haq et al., “Tech-Driven Forest Conservation: Combating Deforestation With Internet of Things, Artificial Intelligence, and Remote Sensing,” IEEE Internet Things J., 2024.

F. A. Mahbubi, T. I. Hermanto, and C. D. Lestari, “PERAMALAN PENJUALAN SAHAM NIKEL MENGGUNAKAN ALGORITMA LONG SHORT TERM MEMORY (LSTM),” IDEALIS Indones. J. Inf. Syst., vol. 8, no. 1, pp. 138–149, 2025.

Y. Peng, H. Su, M. Sun, and M. Li, “Reconstructing historical forest fire risk in the non-satellite era using the improved forest fire danger index and long short-term memory deep learning-a case study in Sichuan Province, southwestern China,” For. Ecosyst., vol. 11, p. 100170, 2024.