šŸ”„ Prediksi Risiko Kebakaran Hutan

Hybrid CNN-LSTM dengan Attention Mechanism
🌐 Real-Time Data dari OpenWeatherMap
šŸ“ Pekanbaru
Status: Online
Data: Real-Time
šŸ“Š Parameters: 39,123
šŸ• Update: Memuat...
šŸ“Š Hasil Prediksi (Pekanbaru)
🟔 Sedang
Tingkat Risiko
78.3%
Confidence
Distribusi Probabilitas per Kelas
Rendah
8%
Sedang
78%
Tinggi
12%
Sangat Tinggi
2%
šŸ’” Kondisi cuaca saat ini menunjukkan risiko kebakaran SEDANG. Mulai terjadi penurunan curah hujan dan kelembapan. Disarankan untuk meningkatkan kewaspadaan.
āš ļø Tingkatkan kewaspadaan āœ… Monitor perubahan cuaca āœ… Siapkan peralatan pemadam
šŸŒ¤ļø Cuaca Real-Time (Pekanbaru)
-- °C
šŸŒ”ļø Suhu
--%
šŸ’§ Kelembapan
-- mm
ā˜” Curah Hujan
-- m/s
šŸŒ¬ļø Angin
šŸŽÆ Visualisasi Risiko
Rendah Sangat Tinggi Sedang
āš™ļø Hybrid CNN-LSTM • Attention Mechanism • 39,123 Parameters
šŸ“ˆ Analisis Data Cuaca 30 Hari Terakhir (Pekanbaru)
Hari Suhu (°C) Kelembapan (%) Curah Hujan (mm) Angin (m/s) Kelembaban Tanah (%)
--°C
Rata-rata Suhu
-- mm
Total Curah Hujan
--%
Rata-rata Kelembapan
-- m/s
Rata-rata Angin
šŸ“– Informasi Model & Arsitektur

šŸ—ļø Arsitektur

  • šŸ”¹ Input: 30 hari Ɨ 8 fitur cuaca
  • šŸ”¹ CNN Layer 1: Conv1D(64) + BatchNorm + MaxPool + Dropout
  • šŸ”¹ CNN Layer 2: Conv1D(128) + BatchNorm + MaxPool + Dropout
  • šŸ”¹ LSTM Layer: Bidirectional LSTM (128 units)
  • šŸ”¹ LSTM Layer 2: Bidirectional LSTM (64 units)
  • šŸ”¹ Attention Layer: Self-attention dengan Softmax
  • šŸ”¹ Dense Layer: 64 units + Dropout 0.2
  • šŸ”¹ Dense Layer 2: 32 units + Dropout 0.2
  • šŸ”¹ Output: 4 kelas risiko (Softmax)

šŸ“Š Performa Model

  • šŸ“Œ Accuracy: 50.95%
  • šŸ“Œ Balanced Accuracy: 46.92%
  • šŸ“Œ F1-Score (Weighted): 55.48%
  • šŸ“Œ Precision (Weighted): 62.56%
  • šŸ“Œ Recall (Weighted): 50.95%
  • šŸ“Œ Total Parameters: 39,123
  • šŸ“Œ Input Shape: (30, 8)

šŸ“ Visual Arsitektur Model

šŸ“„ INPUT
Weather Data
(30, 8)
→
🧠 CNN 1
Conv1D 64 • ReLU
BatchNorm • MaxPool
→
🧠 CNN 2
Conv1D 128 • ReLU
BatchNorm • MaxPool
→
šŸ”„ LSTM
Bidirectional
128 + 64 units
→
šŸŽÆ ATTENTION
Self-Attention
Softmax • Context
→
⚔ DENSE
64 + 32 units
ReLU • Dropout
→
šŸ“¤ OUTPUT
4 Risk Classes
Softmax
āš ļø Keterbatasan Model:
1. Model menggunakan data dari satu stasiun BMKG (Pekanbaru, Riau)
2. Target prediksi adalah risiko berbasis cuaca, bukan kejadian kebakaran aktual
3. Model memiliki false alarm rate tinggi untuk risiko Sangat Tinggi (93%)
4. Hasil prediksi bersifat indikatif dan perlu dikonfirmasi dengan data lain