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

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.