Implementasi algoritma naïve bayes untuk klasifikasi kebakaran hutan di Indonesia

INDONESIA:

Kebakaran hutan di Indonesia menjadi permasalahan serius yang memerlukan penanganan segera. Berdasarkan data Pusdalops BNPB, sepanjang tahun 2023 tercatat 487 kejadian kebakaran hutan dan lahan di berbagai wilayah Indonesia. Peningkatan frekuensi kejadian ini menuntut adanya metode yang efektif untuk mengidentifikasi dan mengklasifikasikan kebakaran secara akurat, sehingga dapat mendukung upaya mitigasi yang lebih dini. Penelitian ini bertujuan mengevaluasi efektivitas algoritma Naïve Bayes dalam klasifikasi kebakaran hutan, dengan menggunakan data sekunder dari BNPB sebagai kelas kebakaran dan Open Meteo sebagai kelas bukan kebakaran. Metode penelitian yang digunakan adalah kuantitatif, dengan pendekatan analisis numerik terhadap faktor-faktor alam seperti suhu, cuaca, kecepatan angin, dan hembusan angin yang berpotensi memicu kebakaran hutan. Hasil penelitian menunjukkan bahwa model Naïve Bayes mampu mencapai tingkat akurasi sebesar 93,03% pada data testing, dengan precision sebesar 92,96% dan recall sebesar 96,17%. Tingginya nilai metrik performa ini membuktikan bahwa algoritma Naïve Bayes dapat menjadi alat yang andal dan akurat dalam mendeteksi kebakaran hutan. Dengan demikian, model ini memiliki potensi besar untuk diterapkan dalam mendukung upaya pencegahan dan mitigasi kebakaran hutan di Indonesia secara lebih efektif.

ENGLISH:

Forest fires in Indonesia have become a serious issue requiring immediate attention. According to data from Pusdalops BNPB, 487 forest and land fire incidents were recorded across various regions of Indonesia throughout 2023. The increasing frequency of these incidents demands an effective method for accurately identifying and classifying fires, thereby supporting earlier mitigation efforts. This study aims to evaluate the effectiveness of the Naïve Bayes algorithm in classifying forest fires, using secondary data from BNPB for fire class and Open Meteo for non-fire class. The research method employed is quantitative, with a numerical analysis approach focusing on natural factors such as temperature, weather, wind speed, and wind gusts that could potentially trigger forest fires. The results of the study indicate that the Naïve Bayes model achieved an accuracy rate of 93.03% on testing data, with a precision of 92.96% and a recall of 96.17%. These high-performance metric values demonstrate that the Naïve Bayes algorithm can serve as a reliable and accurate tool for detecting forest fires. Thus, this model holds significant potential to be applied in supporting more effective forest fire prevention and mitigation efforts in Indonesia.

ARABIC:

تعتبر حرائق الغابات في إندونيسيا مشكلة خطيرة تتطلب اتخاذ إجراءات فورية. استناداً إلى بيانات من نظام بوسدالوبس التابع لمكتب حماية الغابات في إندونيسيا، تم تسجيل ٤٨٧ حريق غابات وأراضٍ في أنحاء مختلفة من إندونيسيا خلال عام ٢٠٢٣. ويتطلب التواتر المتزايد لهذه الحوادث طريقة فعالة لتحديد الحرائق وتصنيفها بدقة، بحيث يمكن أن تدعم جهود التخفيف المبكرة. تهدف هذه الدراسة إلى تقييم فعالية خوارزمية Naïve Bayes في تصنيف حرائق الغابات، باستخدام بيانات ثانوية من BNPB كفئة حرائق وOpen Meteo كفئة غير حرائق. طريقة البحث المستخدمة كمية، مع نهج التحليل العددي للعوامل الطبيعية مثل درجة الحرارة والطقس وسرعة الرياح وهبوب الرياح التي لديها القدرة على إشعال حرائق الغابات. أظهرت النتائج أن نموذج Naïve Bayes الساذج تمكن من تحقيق معدل دقة بلغ 93.03% على بيانات الاختبار، مع دقة بلغت 92.96% واستدعاء بنسبة 96.17%. تُثبت القيمة العالية لمقياس الأداء هذا أن خوارزمية Naïve Bayes يمكن أن تكون أداة موثوقة ودقيقة في الكشف عن حرائق الغابات. وبالتالي، فإن هذا النموذج لديه إمكانات كبيرة لتطبيقه في دعم جهود الوقاية من حرائق الغابات والتخفيف من آثارها في إندونيسيا بشكل أكثر فعالية.