HYPERPARAMETER MODEL LSTM-GRU UNTUK PREDIKSI PEMETAAN TINGKAT KEBAKARAN HUTAN

fahrizal maulana, kusrini kusrini

Abstract


Bencana kebakaran hutan merupakan permasalahan besar bagi pemerintah provinsi Kalimantan Tengah. Langkah eksternal maupun internal telah dilakukan melalui kebijakan publik yang dibuat berupa hasil prediksi atau pemetaan kebakaran hutan dimasa akan datang. Dalam penelitian ini dilakukan pengembangan model untuk prediksi tren dan pemetaan tingkat kebakaran hutan dengan fokus penerapan hyperparameter terhadap kombinasi RNN di dua perangkat dan pengaturan rasio dataset berbeda. Dataset yang digunakan merupakan penggabungan dataset MODIS dan Merra2 sebagai end-to-end multivariate fitur dan target. Penggabungan dataset menggunakan asas interpolasi untuk mendukung kontinuitas kekosongan data. Untuk mencapai tujuan penelitian dilakukan eksperimental sebanyak 12 skenario terhadap 6 set pengaturan hyperparameter dengan evaluasi menggunakan performansi regresi MAE dan RMSE. Temuan penelitian menunjukan model kombinasi LSTM-GRU konsisten memperoleh rata-rata error MAE 2% dan RMSE 6% pada P1 dan P2 dengan nilai performa loss pembelajaran terbaiknya berada pada skenario 7, 10, 11 untuk  pembagian kedua dataset dan skenario 8 di rasio dataset 70:30. Pengujian di perangkat berbeda juga tidak mempengaruhi penurunan error pada model terhadap penerapan hyperparameter kecuali lama runtime pembelajaran model. Hasil penelitian ini memberikan gambaran yang komprehensif terhadap pemilihan parameter terhadap kombinasi model RNN yang ideal berdasarkan pembagian rasio dataset serta memberikan pemahaman tentang penerapan hyperparameter pada perangkat berbeda.

Full Text:

PDF

References


Chen, Z., Zhang, C., Li, W., Gao, L., Liu, L., Fang, L., & Zhang, C. (2023). Fire danger forecasting using machine learning-based models and meteorological observation: a case study in Northeastern China. Multimedia Tools and Applications, 83(22), 61861–61881. https://doi.org/10.1007/s11042-023-15881-1

Dhake, H., Kashyap, Y., & Kosmopoulos, P. (2023). Algorithms for Hyperparameter Tuning of LSTMs for Time Series Forecasting. Remote Sensing, 15(8). https://doi.org/10.3390/rs15082076

Dzulhijjah, D. A., Majid, M. N., Alwanda, A. Y., Kusuma, D. C., Zakaria, F., Kusrini, K., & Kusnawi, K. (2023). Comparative Analysis of Hybrid Long Short-Term Memory Models for Fire Danger Index Forecasting with Weather Data. 2023 6th International Conference on Information and Communications Technology (ICOIACT), 165–170. https://doi.org/10.1109/ICOIACT59844.2023.10455879

FIRMS Fire Information for Resource Management System. (n.d.). MODIS Active Fire Data. Https://Firms.Modaps.Eosdis.Nasa.Gov/Country/.

GES DISC. (n.d.). Merra2 M2TMNXFLX. Https://Goldsmr4.Gesdisc.Eosdis.Nasa.Gov/Data/MERRA2_MONTHLY/M2TMNXFLX.5.12.4/.

Hema Yurismi, A., Daniah, R., & Wicaksa, A. (2022). Upaya Pemerintah Indonesia Dalam Mengatasi Kebakaran Hutan dan Lahan di Pulang Pisau, Kalimantan Tengah. Interdependence Journal of International Studies, 3(2), 82–96. https://doi.org/10.54144/ijis.v3i2.57

Jamshed, M. A., Theodorou, C., Kalsoom, T., Anjum, N., Abbasi, Q. H., & Ur-Rehman, M. (2022). Intelligent computing based forecasting of deforestation using fire alerts: A deep learning approach. Physical Communication, 55. https://doi.org/10.1016/j.phycom.2022.101941

Kadir, E. A., Kung, H. T., AlMansour, A. A., Irie, H., Rosa, S. L., & Fauzi, S. S. M. (2023). Wildfire Hotspots Forecasting and Mapping for Environmental Monitoring Based on the Long Short-Term Memory Networks Deep Learning Algorithm. Environments, 10(7), 124. https://doi.org/10.3390/environments10070124

Listia Rosa, S., Abdul Kadir, E., Syukur, A., Irie, H., Wandri, R., & Fikri Evizal, M. (2022). Fire Hotspots Mapping and Forecasting in Indonesia Using Deep Learning Algorithm. 2022 3rd International Conference on Electrical Engineering and Informatics (ICon EEI), 190–194. https://doi.org/10.1109/IConEEI55709.2022.9972281

Mao, Y., Pranolo, A., Wibawa, A. P., Putra Utama, A. B., Dwiyanto, F. A., & Saifullah, S. (2022). Selection of Precise Long Short Term Memory (LSTM) Hyperparameters based on Particle Swarm Optimization. Proceedings - International Conference on Applied Artificial Intelligence and Computing, ICAAIC 2022. https://doi.org/10.1109/ICAAIC53929.2022.9792708

PPID KLHK. (2023, December 31). Kinerja Pengendalian Kebakaran Hutan dan Lahan Tahun 2023. Https://Ppid.Menlhk.Go.Id/.

Rini Rahayu. (2023, October 6). 3.436 Titik Karhutla Periode Januari-Oktober, 9.769 Hektare Lahan Terbakar. Https://Www.Detik.Com/Sulsel/Berita/d-6969318/3-436-Titik-Karhutla-Periode-Januari-Oktober-9-769-Hektare-Lahan-Terbakar.

Samadi Miandoab, P., Saramad, S., & Setayeshi, S. (2023). Respiratory motion prediction based on deep artificial neural networks in CyberKnife system: A comparative study. Journal of Applied Clinical Medical Physics, 24(3). https://doi.org/10.1002/acm2.13854

SINDO News. (2023, October 12). Kebakaran Hutan dan Lahan Menjadi Bencana Tahunan di Indonesia, Apa Solusianya? Https://Www.Youtube.Com/Watch?V=j7C4z9vASq4&t=164s.

Zeng, C., Ma, C., Wang, K., & Cui, Z. (2022). Parking Occupancy Prediction Method Based on Multi Factors and Stacked GRU-LSTM. IEEE Access, 10, 47361–47370. https://doi.org/10.1109/ACCESS.2022.3171330

Zhang, H., Zheng, Z., & Wen, G. (2022). Wildfire Monitring Based on LSTM and Deep Learning. IGARSS 2022 - 2022 IEEE International Geoscience and Remote Sensing Symposium, 2682–2685. https://doi.org/10.1109/IGARSS46834.2022.9883872

Zhang, W., Lim, M. K., Yang, M., Li, X., & Ni, D. (2023). Using deep learning to interpolate the missing data in time-series for credit risks along supply chain. Industrial Management and Data Systems, 123(5). https://doi.org/10.1108/IMDS-08-2022-0468




DOI: http://dx.doi.org/10.31000/jika.v9i1.12882

Article Metrics

Abstract - 649 PDF - 331

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

INDEX BY :