CHRISTI M, Yohana (2024) Forecasting Luasan Kebakaran Hutan Untuk Optimalisasi Biaya Produksi. Skripsi thesis, Universitas Jenderal Soedirman.

	PDF (Cover) COVER-Yohana Christi-H1A021085-Skripsi-2024.pdf Download (198kB)
	PDF (Legalitas) LEGALITAS-Yohana Christi-H1A021085-Skripsi-2024.pdf Restricted to Repository staff only Download (385kB)
	PDF (Abstrak) ABSTRAK-Yohana Christi-H1A021085-Skripsi-2024.pdf Download (109kB)
	PDF (BabI) BAB-I-Yohana Christi-H1A021085-Skripsi-2025.pdf Restricted to Repository staff only until 23 December 2025. Download (116kB)
	PDF (BabII) BAB-II-Yohana Christi-H1A021085-Skripsi-2024.pdf Restricted to Repository staff only until 23 December 2025. Download (380kB)
	PDF (BabIII) BAB-III-Yohana Christi-H1A021085-Skripsi-2024.pdf Restricted to Repository staff only until 23 December 2025. Download (220kB)
	PDF (BabIV) BAB-IV-Yohana Christi-H1A021085-Skripsi-2024.pdf Restricted to Repository staff only Download (542kB)
	PDF (BabV) BAB-V-Yohana Christi-H1A021085-Skripsi-2024.pdf Download (94kB)
	PDF (DaftarPustaka) DAFTAR PUSTAKA-Yohana Christi-H1A021085-Skripsi-2024.pdf Download (109kB)
	PDF (Lampiran) LAMPIRAN-Yohana Christi-H1A021085-Skripsi-2024.pdf Restricted to Repository staff only Download (399kB)

Abstract

Fluktuasi kebakaran hutan yang bergantung kepada faktor alam dan aktivitas manusia memberikan dampak yang buruk. Faktor utama yang mempengaruhi kebakaran hutan meliputi kondisi iklim seperti suhu udara, curah hujan, dan kelembapan. Musim kemarau juga meningkatkan terjadinya kebakaran hutan dikarenakan penyimpangan iklim atau kemarau panjang merupakan faktor yang mendukung terjadinya kebakaran hutan. Peramalan yang akurat tentang potensi kebakaran hutan sangat penting dilakukan. Pemanfaatan data historis kasus kebakaran hutan dan variabel pendukung lainnya, dapat dilakukan analisis statistik untuk memprediksi luas kebakaran hutan dimasa depan melalui metode machine learning. Penelitian ini diselesaikan menggunakan random forest regressor (RFR), sebuah metode berbasis pohon keputusan yang memungkinkan penanganan data yang bervariasi dan meminimalkan risiko overfitting. Model hasil forecasting yang dibangun dengan RFR mampu memprediksi dengan nilai MAPE sebesar 18%. Hasil prediksi ini digunakan untuk membangun model biaya produksi dengan fungsi tujuan meminimasi biaya produksi. Melalui uji skenario yang dilakukan, komponen biaya produksi dapat lebih optimal dan disesuaikan dengan jenis tanah terjadinya kebakaran, sehingga biaya produksi mengalami penurunan sebesar Rp 511.959.092 atau sebesar 1.85%.

Actions (login required)

View Item