Integrasi Algoritma DBSCAN Dengan Sistem Informasi Geografis Untuk Mengidentifikasi Cluster Wilayah Rawan Kebakaran Provinsi Riau

Chairun Nas; Khairul Fajri Ilahi; Boy Sandy Dwi Nugraha

doi:10.70340/jirsi.v5i2.386

Penulis

Chairun Nas Universitas Riau
Khairul Fajri Ilahi Universitas Riau
Boy Sandy Dwi Nugraha Universitas Riau

DOI:

https://doi.org/10.70340/jirsi.v5i2.386

Kata Kunci:

Cluster, DBSCAN, SIG, Karhutla, Spasial

Abstrak

Provinsi Riau merupakan salah satu wilayah di Indonesia yang rawan terjadi kebakaran hutan dan lahan (karhutla), terutama saat musim kemarau. Identifikasi pola sebaran wilayah rawan kebakaran secara akurat sangat penting dalam mendukung upaya mitigasi dan penanganan bencana. Penelitian ini bertujuan untuk mengidentifikasi pola spasial (cluster) wilayah rawan kebakaran hutan dan lahan (karhutla) di Provinsi Riau menggunakan algoritma Density-Based Spatial Clustering of Applications with Noise (DBSCAN) yang terintegrasi dengan Sistem Informasi Geografis (SIG). Penelitian ini menggunakan data NASA-MODIS yang diambil dari tahun 2020 sampai 2024 dengan record 840 data. Hasil analisis menunjukkan DBSCAN mampu mengelompokkan titik hotspot secara efektif, dengan Cluster 2 menjadi klaster terbesar yang mencakup 297 titik karhutla di Bengkalis, Rokan Hilir, dan Dumai. Banyaknya titik pada klaster ini disebabkan oleh frekuensi karhutla yang tinggi antara tahun 2020 hingga 2024. Meskipun demikian, Cluster 7 menunjukkan kualitas kepadatan terbaik dengan nilai Silhouette Coefficient sebesar 0,872, mengungguli Cluster 2 yang memiliki nilai 0,638. Nilai rata-rata Silhouette Coefficient secara keseluruhan adalah 0,683, mengindikasikan bahwa pemodelan klaster cukup optimal. Sebanyak 57 titik hotspot dikategorikan sebagai noise, namun tetap memberikan gambaran tentang sebaran karhutla yang tersebar. Visualisasi peta berbasis SIG mengungkapkan bahwa sebagian besar titik kebakaran berada di lahan gambut dan area vegetasi kering yang konsisten dari tahun ke tahun. Hasil penelitian menegaskan bahwa penggunaan parameter DBSCAN yang tepat (epsilon dan minPts) menghasilkan visualisasi spasial yang akurat dan mendukung strategi mitigasi serta pengawasan ke-bakaran berbasis wilayah prioritas secara lebih efektif dan terarah.

Unduhan

Data unduhan belum tersedia.

Referensi

F. S. Afina, L. Syaufina, and I. S. Sitanggang, “Forest and peatland fire severity assessment at Siak Regency, Riau Province using Sentinel-2 Imagery,” J. Pengelolaan Sumberd. Alam dan Lingkung., vol. 11, no. 4, pp. 621–630, 2021, doi: 10.29244/jpsl.11.4.621-630.

A. S. Yunianto, “Pemetaan Permasalahan Kebakaran Hutan Dan Lahan Kasus Di Provinsi Riau,” J. Penelit. Kehutan. Sumatrana, vol. 2, no. 1, pp. 25–37, 2021, doi: 10.20886/jpks.2021.2.1.25-37.

Novarini, Ahmad Karim Harahap, Muhammad Taufik Syastra, Yulia Irfayanti, Sutrisno, and Elisabeth Kurnia Wijayanti, “Sistem Informasi Geografis Bencana Alam Banjir Jakarta Berbasis Web Dengan Metode Sdlc,” J. Inform. Teknol. dan Sains, vol. 4, no. 4, pp. 489–495, 2024, doi: 10.51401/jinteks.v4i4.4752.

S. A. Rahmah, “Review Terbaru Tentang Klasterisasi Data Mining Menggunakan Metode K-Means: Tantangan Dan Aplikasi,” Djtechno J. Teknol. Inf., vol. 5, no. 2, pp. 297–303, 2024, doi: 10.46576/djtechno.v5i2.4723.

T. Memisoglu Baykal, Performance assessment of GIS-based spatial clustering methods in forest fire data, vol. 121, no. 7. Springer Netherlands, 2025. doi: 10.1007/s11069-025-07135-0.

F. D. Handayani and Isnaini Rosyida, “Clustering Review Pengguna Aplikasi Zenius pada Layanan Google Play Store Menggunakan Metode DBSCAN dan HDBSCAN,” Emerg. Stat. Data Sci. J., vol. 1, no. 2, pp. 178–191, 2023, doi: 10.20885/esds.vol1.iss.2.art19.

R. M. Taufiq, R. Firdaus, F. Handayani, P. F. Muarif, and R. R. Rizqy, “Density-Based Clustering untuk Pemetaan Daerah Rawan Gempa Bumi di Wilayah Sumatera Barat Menggunakan Metode DBSCAN,” J. FASILKOM, vol. 14, no. 3, pp. 817–822, 2024.

G. R. W. Syurifah and H. Fahmi, “Implementasi Metode ST-DBSCAN untuk Pengelompokan Pola Persebaran Titik Api pada Data Kebakaran Hutan di Indonesia,” J. Ris. Mhs. Mat., vol. 3, no. 5, pp. 214–222, 2024, doi: 10.18860/jrmm.v3i5.27314.

S. Aziz, “Implementasi Dbscan Untuk Pengendalian Karhutla Di Provinsi Riau,” J. Tek. Inform., vol. 5, no. 2, pp. 2025–2809, 2025, [Online]. Available: https://firms.modaps.eosdis.nasa.gov/

T. A. Pratiwi, M. Irsyad, and R. Kurniawan, “Klasifikasi Kebakaran Hutan dan Lahan Menggunakan Algoritma Naïve Bayes (Studi Kasus: Provinsi Riau),” J. Sist. dan Teknol. Inf., vol. 9, no. 2, p. 101, 2021, doi: 10.26418/justin.v9i2.42823.

R. Viviyanti, T. A. Adila, and R. Rahmad, “Aplikasi SIG untuk Pemetaan Bahaya Kebakaran Hutan dan Lahan di Kota Dumai,” Media Komun. Geogr., vol. 20, no. 2, p. 78, 2019, doi: 10.23887/mkg.v20i2.17399.

B. Hero Saharjo and D. Muhammad Rizki Ananda Nasution, “POLA SEBARAN TITIK PANAS (HOTSPOT) SEBAGAI INDIKATOR TERJADINYA KEBAKARAN HUTAN DAN LAHAN DI KABUPATEN ACEH BARAT,” J. Silvikultur Trop., vol. 12, no. 2, pp. 60–66, 2021, [Online]. Available: http://tanahair.indonesia.go.id/

A. Istikanah, C. E. Rustana, T. Trismidianto, and R. Risyanto, “Identifikasi Sebaran Vegetasi Berbasis Data Modis Menggunakan Metode Normalized Difference Vegetation Index (Ndvi),” Pros. Semin. Nas. Fis. SNF2020, vol. IX, pp. 107–112, 2020, doi: 10.21009/03.snf2020.01.fa.18.

M. Wahyuni Pertanahan, “Pemanfaatan Data Spasial Dalam Pemetaan Tematik Di Padukuhan Promasan Kabupaten Kulonprogo,” J. Mulia, vol. 4, no. 1, pp. 197–204, 2025, doi: 10.47002/jpm.v4i1.912.

T. Yang, W. Luo, L. Tian, and J. Li, “Integrating Spatial and Non-Spatial Dimensions to Evaluate Access to Rural Primary Healthcare Service: A Case Study of Songzi, China,” ISPRS Int. J. Geo-Information, vol. 13, no. 5, 2024, doi: 10.3390/ijgi13050142.

P. Y. Utami, S. A. Hudjimartsu, T. A. Viona, and H. Sharfina, “Optimasi Parameter Algoritma DBSCAN untuk Mendeteksi Titik Panas Kebakaran Hutan dan Lahan,” J. Edukasi dan Penelit. Inform., vol. 9, no. 3, p. 355, 2023, doi: 10.26418/jp.v9i3.61714.

R. Hidayati, A. Zubair, A. Hidayat Pratama, and L. Indana, “Analisis Silhouette Coefficient pada 6 Perhitungan Jarak K-Means Clustering Silhouette Coefficient Analysis in 6 Measuring Distances of K-Means Clustering,” Techno.COM, vol. 20, no. 2, pp. 186–197, 2021.

S. Paembonan and H. Abduh, “Penerapan Metode Silhouette Coefficient untuk Evaluasi Clustering Obat,” PENA Tek. J. Ilm. Ilmu-Ilmu Tek., vol. 6, no. 2, p. 48, 2021, doi: 10.51557/pt_jiit.v6i2.659.

A. Zubaidah, Y. Vetrita, M. Priyatna, and K. Ayu D., “Analisis Pemanfaatan Dan Validasi Hotspot Viirs Nightfire Untuk Identifikasi Kebakaran Hutan Dan Lahan Di Indonesia,” J. Penginderaan Jauh dan Pengolah. Data Citra Digit., vol. 12, no. 1, pp. 59–76, 2015, doi: 10.30536/inderaja.v12i1.3310.

F. N. Dhewayani, D. Amelia, D. N. Alifah, B. N. Sari, and M. Jajuli, “Implementasi K-Means Clustering untuk Pengelompokkan Daerah Rawan Bencana Kebakaran Menggunakan Model CRISP-DM,” J. Teknol. dan Inf., vol. 12, no. 1, pp. 64–77, 2022, doi: 10.34010/jati.v12i1.6674