Kebakaran hutan dan lahan merupakan salah satu permasalahan lingkungan yang sering terjadi di beberapa wilayah Indonesia, salah satunya pulau Kalimantan. Pada tahun 2018, tercatat luas dan lahan terbakar di pulau Kalimantan mencapai 235,701.75 Ha dan menjadi pulau penyumbang lahan kebakaran paling luas jika dibandingkan dengan pulau lain di Indonesia. Secara ekologis, kebakaran hutan mengakibatkan hilangnya unsur hara, rendahnya infiltrasi tanah, serta tingginya erosi. Sehingga perlu dilakukan rehabilitasi untuk memperbaiki dan meningkatkan kembali produktivitas lahan pasca terjadinya kebakaran hutan. Beberapa tahapan proses rehabilitasi diantaranya pengadaan bibit tanaman, persiapan lahan, pemberian pupuk, penanaman, serta pemeliharaan. Untuk menunjang keberhasilan proses rehabilitasi lahan, tentu diperlukan upaya dengan persiapan dan perencanaan yang matang. Salah satu upaya yang dapat dilakukan dalam mempersiapkan proses rehabilitasi adalah memprediksi luas kebakaran hutan. Salah satu cara untuk memprediksi luas kebakaran di Pulau Kalimantan dengan menggunakan gabungan metode Jaringan Syaraf metode Extreme Learning Machine (ELM) dan Flower Pollination Algorithm (FPA).
Extreme Learning Machine (ELM) merupakan suatu metode pelatihan yang terawasi dalam Jaringan Syaraf Tiruan (JST). Pada metode ELM, bobot masukan dan bias awal ditentukan secara acak. Setelah itu, matriks keluaran dari lapisan tersembunyi digunakan dalam perhitungan bobot akhir. Bobot akhir diperoleh secara komputasi dengan menggunakan Moore-Penrose Generalized Invers. Flower Pollination Algorithm (FPA) merupakan algoritma yang digunakan untuk menyelesaikan masalah optimasi. Pada ELM, FPA digunakan untuk menentukan bobot dan bias terbaik, yang akan digunakan pada proses uji validasi prediksi kebakaran di pulau Kalimantan.
Prediksi luas kebakaran di Pulau Kalimantan dilakukan dengan tahapan antara lain; input data luas kebakaran, melakukan perubahan data menjadi nilai numerik dengan interval antara 0 dan 1, melakukan proses pelatihan pada data kebakaran hutan sehingga dapat dikenali pola dari data kebakaran di Pulau Kalimantan, melakukan proses uji kebenaran sistem, dan melakukan proses predisi luas kebakaran di Pulau Kalimantan dari sistem atau aplikasi yang telah dibangun. Pada proses pelatihan, yang bertujuan untuk mengenali pola data kebakaran, menggunakan gabungan dan kombinasi metode ELM dan FPA.
Prediksi luas kebakaran hutan dan lahan merupakan salah satu upaya yang dilakukan dalam persiapan dan perencanaan proses rehabilitasi. Rehabilitasi penting dilakukan untuk memperbaiki dan meningkatkan kembali produktivitas lahan pasca terjadinya kebakaran hutan. Pada prediksi kebakaran ini, data yang digunakan adalah data luas kebakaran hutan di pulau Kalimantan sebanyak 216 data mulai Januari 1998 hingga Desember 2015. Data tersebut diperoleh dari Pusat Penelitian Informatika LIPI.
Pada aplikasi prediksi kebakaran di Pulau Kalimantan, proses diawali dengan input parameter-parameter yang dibutuhkan, meliputi batas MSE, maksimum iterasi, jumlah bunga, pengontrol stepsize , switch probability
, dan
. Pada proses pelatihan data, dilakukan percobaan input dengan beberapa variasi nilai parameter untuk memperoleh nilai MSE terkecil. Dengan batas MSE = 0.001, Maksiterasi = 100, dan Switch Probability = 0.6. Hasil implementasi program pada proses pelatihan diperoleh nilai MSE terkecil sebesar 0.016753377 dan didapatkan bobot dan bias terbaik yang akan digunakan pada proses uji validasi, yaitu β = [39,70 949,28 0,15 -28,92 -0,82 -0,13 -2374,68 159445,00 -2,07 -155881,20 124017,98 -126166,50]T.
Penulis: Auli Damayanti
