Protect nature, protect communities, act early

Urgensi Penelitian, Kebakaran hutan dan lahan (KARHUTLA) di Indonesia memiliki dampak ekonomi yang luas. Selain merusak infrastruktur dan aset produktif, kebakaran hutan juga berdampak pada Sektor Pertanian dan Perkebunan, Kesehatan Masyarakat, Transportasi dan Logistik, Investasi dan Pariwisata. Sistem prediksi dan deteksi kebakaran hutan yang belum efektif menjadi tantangan besar. Solusi yang bisa diterapkan termasuk penggunaan teknologi AI dan satelit, peningkatan koordinasi lintas sektor, serta pemberdayaan masyarakat lokal dalam mitigasi kebakaran hutan. Produk penelitian memberikan solusi inovatif dan sejalan dengan fokus riset UKSW dalam bidang Teknologi Informasi, Robotika dan Kecerdasan Buatan. Selain itu penelitian ini juga termasuk dalam fokus Prioritas Riset Nasional 2025-2029 memperkuat sains dan teknologi serta Fokus Riset Rekayasa Keteknikan mencakup pengembangan Teknologi Informasi dan Komunikasi (TIK) dan Kecerdasan Buatan.

Tujuan dari penelitian ini adalah untuk membangun aplikasi pendeteksian dini KARHUTLA secara real-time. Sistem deteksi asap di hutan dapat mendeteksi keberadaan asap dan api pada tahap awal. Deteksi dini ini memungkinkan respons dan upaya pemadaman kebakaran yang cepat, meminimalkan penyebaran kebakaran hutan terutama di daerah Jawa Tengah (Blora, Brebes, dan Kab. Semarang), dan mengurangi potensi kerusakan terhadap lingkungan, satwa liar, dan masyarakat sekitar.

Metode yang diusulkan Integrasi antara scientific knowledge dan deep learning dalam Knowledge-guided Machine Learning (KGML) memungkinkan sistem deteksi kebakaran hutan yang lebih transparan, akurat, dan robust terhadap kondisi lingkungan yang bervariasi. Dengan menggabungkan informasi dari model iklim, perilaku kebakaran, serta parameter geospasial, KGML dapat meningkatkan pemahaman model terhadap mekanisme KARHUTLA dan memberikan prediksi yang lebih reliabel. Metode yang diusulkan akan memperbaiki hasil dari penelitian sebelumnya yang belum efektif. Luaran utama yang ditargetkan adalah 1 publikasi pada jurnal internasional bereputasi minimal Q2 (Forest Science and Technology), 1 HKI untuk model KGML yang dibuat, dan 1 modul bahan ajar untuk matakuliah Deep Learning.

in collaboration with