Prediksi Jumlah Kejadian Titik Api Melalui Pendekatan Deret Waktu Menggunakan Model Seasonal Arima

Muhammad Alkaff, Nandang Eko Yulianto
{"title":"Prediksi Jumlah Kejadian Titik Api Melalui Pendekatan Deret Waktu Menggunakan Model Seasonal Arima","authors":"Muhammad Alkaff, Nandang Eko Yulianto","doi":"10.31961/eltikom.v3i2.122","DOIUrl":null,"url":null,"abstract":"Kebakaran hutan merupakan permasalahan yang hampir setiap tahun terjadi di Indonesia terutama di pulau Sumatera dan Kalimantan. Umumnya kejadian kebakaran hutan di Indonesia terjadi pada lahan gambut, hal ini dikarenakan pada musim kemarau, lahan gambut akan menjadi sangat kering sampai kedalaman tertentu sehingga akan mudah terbakar. Upaya menanggulangi kebakaran hutan telah dilakukan melalui pemantauan titik api melalui satelit, hal ini telah dilakukan oleh NASA (National Aeronautics and Space Administration) dengan satelit Terra dan Aqua melalui instrument MODIS (Moderate Resolution Imaging Spectroradiometer). Data yang didapatkan dari satelit tersebut mulai dari tahun 2001 sampai dengan 2018 kemudian diproses menjadi jumlah kejadian titik api perbulan yang selanjutnya dianalisa dengan pendekatan deret waktu menggunakan model Seasonal ARIMA (Auto Regressive Integrated Moving Average). Hal ini dilakukan untuk mengetahui korelasi jumlah kejadian titik api yang terjadi dengan jumlah kejadian titik api pada waktu sebelumnya. Hasil pengujian menunjukkan bahwa model ARIMA (1,0,1)x(1,0,1,12) adalah model terbaik untuk melakukan prediksi jumlah titik api dengan nilai RMSE sebesar 5.85.","PeriodicalId":33096,"journal":{"name":"Jurnal ELTIKOM Jurnal Teknik Elektro Teknologi Informasi dan Komputer","volume":"1 1","pages":""},"PeriodicalIF":0.0000,"publicationDate":"2019-10-11","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"1","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Jurnal ELTIKOM Jurnal Teknik Elektro Teknologi Informasi dan Komputer","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.31961/eltikom.v3i2.122","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 1

Abstract

Kebakaran hutan merupakan permasalahan yang hampir setiap tahun terjadi di Indonesia terutama di pulau Sumatera dan Kalimantan. Umumnya kejadian kebakaran hutan di Indonesia terjadi pada lahan gambut, hal ini dikarenakan pada musim kemarau, lahan gambut akan menjadi sangat kering sampai kedalaman tertentu sehingga akan mudah terbakar. Upaya menanggulangi kebakaran hutan telah dilakukan melalui pemantauan titik api melalui satelit, hal ini telah dilakukan oleh NASA (National Aeronautics and Space Administration) dengan satelit Terra dan Aqua melalui instrument MODIS (Moderate Resolution Imaging Spectroradiometer). Data yang didapatkan dari satelit tersebut mulai dari tahun 2001 sampai dengan 2018 kemudian diproses menjadi jumlah kejadian titik api perbulan yang selanjutnya dianalisa dengan pendekatan deret waktu menggunakan model Seasonal ARIMA (Auto Regressive Integrated Moving Average). Hal ini dilakukan untuk mengetahui korelasi jumlah kejadian titik api yang terjadi dengan jumlah kejadian titik api pada waktu sebelumnya. Hasil pengujian menunjukkan bahwa model ARIMA (1,0,1)x(1,0,1,12) adalah model terbaik untuk melakukan prediksi jumlah titik api dengan nilai RMSE sebesar 5.85.
查看原文
分享 分享
微信好友 朋友圈 QQ好友 复制链接
本刊更多论文
利用Arima季节模型通过正确的接近时间预测火点事件数量
森林火灾是印度尼西亚每年大多数时候发生的问题,特别是苏门答腊岛和婆罗洲岛。印度尼西亚的森林火灾通常发生在泥炭沼泽,这是因为在旱季,泥炭沼泽会变得非常干燥,非常易燃。应对火灾的努力是通过卫星监测火灾点,美国国家航空航天局(NASA)通过仪器采用现代主义仪器监测地球和水卫星的努力。从2001年到2018年,从卫星获取的数据被处理成每月火灾点的数量。这是为了确定火灾点事件的数量与火灾点事件的数量之间的关系。测试结果显示,ARIMA模型(1.1)x(1.1.12)是计算RMSE值5.85火灾点数量的最佳模型。
本文章由计算机程序翻译,如有差异,请以英文原文为准。
求助全文
约1分钟内获得全文 去求助
来源期刊
自引率
0.00%
发文量
10
审稿时长
6 weeks
期刊最新文献
Internet of Things- Based Automatic Feeder and Monitoring of Water Temperature, PH, and Salinity for Litopenaeus Vannamei Shrimp Smart Rice Box - The Prototype of Organic Rice Storage Anti-Rice Weevil for Food Security during Pandemic Customer Segmentation Based on Loyalty Level Using K-Means and LRFM Feature Selection in Retail Online Store Signature Identification using Digital Image Processing and Machine Learning Methods ANALISIS DAN PERBANDINGAN STEGANOGRAFI PADA MEDIA AUDIO DAN GAMBAR MENGGUNAKAN LSB DAN RC4
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
现在去查看 取消
×
提示
确定
0
微信
客服QQ
Book学术公众号 扫码关注我们
反馈
×
意见反馈
请填写您的意见或建议
请填写您的手机或邮箱
已复制链接
已复制链接
快去分享给好友吧!
我知道了
×
扫码分享
扫码分享
Book学术官方微信
Book学术文献互助
Book学术文献互助群
群 号:481959085
Book学术
文献互助 智能选刊 最新文献 互助须知 联系我们:info@booksci.cn
Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。
Copyright © 2023 Book学术 All rights reserved.
ghs 京公网安备 11010802042870号 京ICP备2023020795号-1