Karakterisasi Fire Weather Index (FWI) untuk Pengembangan Model Prediksi Kebakaran Hutan dan Lahan di Pulau Sumatra

Asshaffa Naim, Dr. Sc. Andung Bayu Sekaranom, S.Si., M.Sc.; Dr. Sudrajat, S.Si., M.P.

2026 | Tesis | S2 Geografi

Kebakaran hutan dan lahan (karhutla) merupakan bencana dipengaruhi oleh faktor meteorologi, serta keberagaman kondisi biofisik ekoregion. Namun, kajian terhadap kondisi cuaca yang meningkatkan bahaya karhutla belum banyak dieksplorasi secara spesifik pada berbagai tipe ekoregion, khususnya di wilayah tropis seperti Pulau Sumatra. Untuk itu, penelitian ini mengkaji cuaca prakejadian karhutla berdasarkan Fire Weather Index (FWI), serta mengintegrasikannya dalam pengembangan model prediksi karhutla pada berbagai ekoregion di Sumatra. Tujuan dari penelitian ini antara lain: (1) Menganalisis pola perubahan nilai FWI harian prakejadian karhutla di Pulau Sumatra; (2) Mengembangkan model prediksi karhutla berbasis pola FWI prakejadian; dan (3) Mengevaluasi kelayakan model prediksi karhutla berbasis pola FWI.

Penelitian ini menggunakan data RESOLVE Ecoregion sebagai zonasi ekoregion, data ERA5 sebagai parameter cuaca dan data MODIS Fire Location sebagai parameter karhutla. Nilai FWI dihitung berdasarkan curah hujan, temperatur, kelembapan udara, dan kecepatan angin, dan diekstrak sebagai sekuens 7 hari sampai hari terjadinya karhutla. Nilai komponen FWI divisualisasikan dalam bentuk matrix heatmap untuk mengetahui perkembangan cuaca menuju kebakaran. Selanjutnya, pemodelan karhutla dengan arsitektur long-short term memory (LSTM) dibangun berdasarkan sekuens FWI yang dikombinasikan dengan anomali FWI dan tren selama periode prakejadian karhutla. Inferensi model menggunakan data tahun 2025 dengan hasil prediksi dievaluasi berdasarkan data karhutla dari BNPB. Performa model dinilai menurut accuracy, precision, recall, F1-score, F?-score, Area Under the Curve (AUC), dan confusion matrix.

Hasil analisis menunjukkan bahwa distribusi titik panas sangat terkonsentrasi di ekoregion HRG (66,24%) dan HDR (22,62%). Sementara itu, pola FWI prakejadian karhutla bervariasi antar wilayah, dengan pola gradual yang persisten di HRT dan HRG, serta pola late surge pada HPT dan HPG. Wilayah Sumatra bagian selatan memiliki kondisi baseline FWI yang lebih tinggi, dengan anomali FWI karhutla yang lebih besar daripada wilayah utara. Model LSTM karhutla berbasis FWI menghasilkan performa yang baik dengan AUC berkisar antara 0,700 hingga 0,971. Ekoregion dengan pola FWI prakejadian karhutla yang lebih persisten menghasilkan performa model yang lebih baik. Hasil inferensi dengan data tahun 2025 menunjukkan konsistensi performa dengan rentang AUC 0,801–0,874. Meskipun model cenderung menghasilkan false positive yang tinggi, tetapi kemampuannya dalam mendeteksi karhutla masih cukup ideal untuk sistem peringatan dini, sehingga dapat digunakan sebagai kajian awal dalam pengembangan model karhutla.

Wildfires are critical disasters driven by meteorological factors and biophysical conditions across ecoregions. However, research examining specific weather conditions that escalate fire hazards across ecoregion types remains limited, particularly within tropical territories such as Sumatra Island. To address this gap, this study examines pre-event weather dynamics utilizing the Fire Weather Index (FWI) and integrates it to develop fire prediction models across various ecoregions in Sumatra. The primary objectives of this research are to: (1) analyze the daily variations of pre-event FWI patterns across Sumatra Island; (2) develop forest and land fire prediction models based on these pre-event FWI trends; and (3) evaluate the feasibility of the proposed FWI-based predictive models.

This study utilizes RESOLVE Ecoregion data for spatial zonation, ERA5 reanalysis data for meteorological parameters, and MODIS Fire Location data for fire occurrences. FWI values were computed from precipitation, temperature, relative humidity, and wind speed, and extracted as 7-day sequences preceding the fire outbreaks. The FWI component were visualized using heatmap matrix to capture the atmospheric progression leading up to wildfire. Subsequently, predictive models using Long Short-Term Memory (LSTM) networks were constructed based on the temporal FWI sequences, integrated with FWI anomalies and trends observed during the pre-event window. Model inference was executed using 2025 data, and the outputs were validated against wildfire records from BNPB. Predictive performance were assessed based on accuracy, precision, recall, F1-score, F?-score, Area Under the Curve (AUC), and confusion matrix.

The analysis results show that the distribution of hotspots is highly concentrated in the HRG (66.24%) and HDR (22.62%) ecoregions. Meanwhile, the FWI pattern preceding wildfire incident varies across regions, with a persistent gradual pattern in the HRT and HRG, and a late surge pattern in the HPT and HPG. The southern part of Sumatra has a higher baseline FWI condition, with a larger FWI anomaly for wildfires than the northern part. The FWI-based LSTM model for wildfires produces good performance with an AUC ranging from 0.700 to 0.971. Ecoregions with more persistent FWI patterns preceding the wildfire incidents produce better model performance. Inference results using 2025 data show consistent performance with an AUC range of 0.801–0.874. Although the model tends to produce high false positives, its ability to detect wildfires is still quite ideal for an early warning system, therefore this results can serve as a preliminary study for the development of tropical wildfire model.

Kata Kunci : ekoregion, fire weather index, karhutla, long short term memory