Analisis Data Citra Landsat 8 OLI Sebagai Indeks Prediksi Kekeringan Menggunakan Machine Learning di Wilayah Kabupaten Boyolali dan Purworejo

  • Yansen Bagas Christianto Universitas Kristen Satya Wacana
  • Sri Yulianto Joko Prasetyo Fakultas Teknologi Informasi Universitas Kristen Satya Wacana
  • Kristoko Dwi Hartomo Fakultas Teknologi Informasi Universitas Kristen Satya Wacana
Keywords: Bencana kekeringan, Machine Learning, XGBoost, Random Forest, Indeks Vegetasi

Abstract

Abstrak

Bencana kekeringan merupakan salah satu bencana yang tidak dapat di hindari lagi keberadaannya. Berdasarkan data dari tahun 1815 sampai tahun 2015 telah terjadi 382 kejadian. Berdasarkan kajian BNPB Kabupaten Boyolali dan Kabupaten Purworejo memiliki resiko tinggi terpapar bencana kekeringan. Untuk itu perlu adanya informasi wilayah resiko bencana kekeringan. Penggunaan data citra satelit Landsat 8 OLI sebagai media informasi vegetasi dan pendekatan Machine Learning untuk menganalisa data ekstraksi pada citra satelit berupa indeks vegetasi. Indeks vegetasi yang di gunakan yaitu NDVI, VCI, VHI, dan TCI dengan implementasi metode XGBoost dan Random Forest untuk mendapatkan hasil prediksi. Hasil yang diperoleh dengan menggunakan perhitungan metode XGBoost ada total 9 kecamatan yang diprediksi terkena bencana kekeringan sangat parah, dan 9 kecamatan dengan metode Random Forest terindikasi kekeringan sangat parah. metode XGBoost memiliki nilai akurasi 0.8286 dan nilai kappa 0.6477 dan metode Random Forest memiliki nilai akurasi 0.6857 dan Nilai Kappa 0.3699. dimana semakin tinggi nilai akurasi dan kappa semakin tepat hasil prediksi yang dilakukan.

Downloads

Download data is not yet available.

References

D. B. P. dan K. BNPB, “Kajian risiko bencana jawa tengah 2016 - 2020,” 2016.

D. Anggono et al., “Model Prediksi Kekeringan Menggunakan Metode Holt-Winters (Studi Kasus : Wilayah Kabupaten Boyolali),” 2018.

S. Maarif, K. Badan, and N. Penanggulangan, “Meningkatkan kapasitas masyarakat dalam mengatasi risiko bencana kekeringan,” pp. 65–73, 2011.

BPS Kabupaten Boyolali, “Kabupaten Boyolali Dalam Angka,” 2017.

D. Sensus, “Indonesia | English,” 2019. [Online]. Available: https://boyolalikab.bps.go.id/statictable/2018/11/15/156/luas-lahan-sawah-menurut-kecamatan-dan-jenis-pengairan-di-kabupaten-boyolali-hektar-2017.html.

W. Boyolali, “Pengumuman Petani Boyolali Mampu Produksi Beras Organik Kategori Informasi Terbaru,” 2019. [Online]. Available: https://www.boyolali.go.id/detail/8681/petani-boyolali-mampu-produksi-beras.

PT. Firama Citra Utama, “LAPORAN KOMPILASI DATA,” 2003.

S. Shinta and S. Sukowati, “Beberapa Aspek Perilaku an. Maculatus Theobald Di Pituruh Kabupaten Purworejo Jawa Tengah,” Jurnal Ekologi Kesehatan, vol. 11, no. 1 Mar. pp. 73–82, 2012.

BNPB, Indeks Risiko Bencana. 2013.

R. Indonesia, “Rencana nasional penanggulangan bencana 2015-2019,” 2019.

H. P. Adi, “Kondisi dan Konsep Penanggulangan Bencana Kekeringan Di Jawa Tengah,” Semin. Nas. Mitigasi dan Ketahanan Bencana 26 Juli 2011, UNISSULA Semarang, pp. 1–10, 2011.

J. Rhee, J. Im, and S. Park, “Drought forecasting based on machine learning of remote sensing and long-range forecast data,” Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci. - ISPRS Arch., vol. 41, no. July, pp. 157–158, 2016.

B. Lowe and A. Kulkarni, “Multispectral Image Analysis Using Random Forest,” Int. J. Soft Comput., vol. 6, no. 1, pp. 1–14, 2015.

H. Dong, X. Xu, L. Wang, and F. Pu, “Gaofen-3 PolSAR image classification via XGBoost and polarimetric spatial information,” Sensors (Switzerland), vol. 18, no. 2, pp. 1–20, 2018.

J. Sandino, G. Pegg, F. Gonzalez, and G. Smith, “Aerial mapping of forests affected by pathogens using UAVs, hyperspectral sensors, and artificial intelligence,” Sensors (Switzerland), vol. 18, no. 4, pp. 1–17, 2018.

Department of the Interior U.S. Geological Survey, “LANDSAT 8 (L8) DATA USERS HANDBOOK Version 4.0 April 2019,” Dep. Inter. U.S. Geol. Surv., vol. 4, no. April, 2019.

V. K. S. Que, S. Y. J. Prasetyo, and C. Fibriani, “Analisis Perbedaan Indeks Vegetasi Normalized Difference Vegetation Index (NDVI) dan Normalized Burn Ratio (NBR) Kabupaten Pelalawan Menggunakan Citra Satelit Landsat 8,” 2018.

M. Van Hoek, L. Jia, J. Zhou, C. Zheng, and M. Menenti, “Early drought detection by spectral analysis of satellite time series of precipitation and Normalized Difference Vegetation Index (NDVI),” Remote Sens., vol. 8, no. 5, 2016.

J. Xue and B. Su, “Significant remote sensing vegetation indices: A review of developments and applications,” J. Sensors, vol. 2017, 2017.

R. I. Sholihah et al., “Identification of Agricultural Drought Extent Based on Vegetation Health Indices of Landsat Data: Case of Subang and Karawang, Indonesia,” Procedia Environ. Sci., vol. 33, pp. 14–20, 2016.

A. Klisch and C. Atzberger, “Operational drought monitoring in Kenya using MODIS NDVI time series,” Remote Sens., vol. 8, no. 4, 2016.

S. Park, E. Seo, D. Kang, J. Im, and M. I. Lee, “Prediction of drought on pentad scale using remote sensing data and MJO index through random forest over East Asia,” Remote Sens., vol. 10, no. 11, pp. 1–18, 2018.

N. Yan, B. Wu, V. K. Boken, S. Chang, and L. Yang, “A drought monitoring operational system for China using satellite data: design and evaluation,” Geomatics, Nat. Hazards Risk, vol. 7, no. 1, pp. 264–277, 2016.

C. G. Tianqi Chen, “XGBoost: A Scalable Tree Boosting System,” vol. 42, no. 8, p. 665, 2016.

S. Pascasarjana, “Analisis perbandingan teknik ensemble secara boosting ( xgboost ) dan bagging ( random forest ) pada klasifikasi kategori sambatan sekuens dna iswaya maalik syahrani,” 2019.

N. Horning, “Random Forests: An algorithm for image classification and generation of continuous fields data sets,” Int. Conf. Geoinformatics Spat. Infrastruct. Dev. Earth Allied Sci. 2010, pp. 1–6, 2010.

S. Wager, “Asymptotic Theory for Random Forests,” pp. 1–17, 2014.

R. H. and H. Luisa Febrina Amalo1*, “Comparison between remote-sensing-based drought indices in East Java,” J. Phys. Conf. Ser., vol. 755, no. 1, 2016.
Published
2019-12-11
How to Cite
Christianto, Y., Prasetyo, S., & Hartomo, K. (2019). Analisis Data Citra Landsat 8 OLI Sebagai Indeks Prediksi Kekeringan Menggunakan Machine Learning di Wilayah Kabupaten Boyolali dan Purworejo. Indonesian Journal of Computing and Modeling, 2(2), 25-36. Retrieved from https://ejournal.uksw.edu/icm/article/view/2954
Section
Articles