Klasifikasi Wilayah Risiko Kekeringan Dengan Metode Random Forest dan SVM Menggunakan Data Penginderaan Jauh LANDSAT 8 OLI Studi kasus : Kabupaten Wonogiri

  • Engles Marabangkit Yoesmarlan Program Studi Teknik Informatika Fakultas Teknologi Informasi Universitas Kristen Satya Wacana
  • Sri Yulianto Joko Prasetyo Fakultas Teknologi Informasi Universitas Kristen Satya Wacana Salatiga
Keywords: Kekeringan, Random Forest, Support Vektor Machine, Indeks Vegetasi

Abstract

Kekeringan selalu terjadi di Indonesia setiap tahunnya. Salah satu daerah yang setiap tahun terkena dampak kekeringan adalah kabupaten Wonogiri. Berdasarkan kajian BPBD Wonogiri tahun 2019, ada 31 desa di Wonogiri terancam kekeringan. Tujuan diadakan penelitian ini adalah mengklasifikasikan wilayah di Wonogiri yang memiliki resiko kekeringan paling tinggi agar memudahkan pemberian bantuan. Penelitian ini menggunakan metode Machine Learning untuk menganalisa hasil ekstraksi dari citra Landsat-8 OLI yang berupa indeks vegetasi yaitu NDVI, NDWI, SAVI, dan VCI dengan membandingkan algoritma Random Forest dengan Support Vector Machine. Hasil dari pengolahan data Random Forest dan Support Vector Machine menunjukkan bahwa Random Forest memiliki nilai kappa 0.9911 sedangkan Support Vector Machine memiliki nilai kappa 0.5217 yang berarti algoritma Random Forest lebih baik dari Support Vector Machine karena makin tinggi nlai kappa maka semakin tinggi nilai akurasi prediksinya.  Dari hasil penelitian dapat diperoleh 10 kelurahan yang memiliki resiko kekeringan tinggi diantaranya kelurahan Bulusari, Sembukan, Tunggur, Hrgosari, Sidorejo, Tempurharjo, Sumberagung, Gemawang, Gnadipiro dan Conto.

Downloads

Download data is not yet available.

References

[1] N. Inarossy and S. Y. J. P, “Klasifikasi Wilayah Risiko Bencana Kekeringan Berbasis Citra Satelit Landsat 8 Oli Dengan Kombinasi Metode Moran ’ s I dan Getis Ord G * ( Studi Kasus : Kabupaten Boyolali dan Klaten ),” Indones. J. Comput. Model., vol. 2, no. 2, pp. 37–54, 2019.
[2] BNPB, “Kajian risiko bencana jawa tengah 2016 - 2020,” 2016.
[3] “Luas Daerah Kabupaten Wonogiri Menurut Kecamatan,” https://wonogirikab.bps.go.id/, 2018. https://wonogirikab.bps.go.id/statictable/2015/01/07/27/luas-daerah-menurut-kecamatan.html (accessed Feb. 26, 2019).
[4] “Luas Lahan Sawah Menurut Kecamatan dan Jenis Pengairan di Kabupaten Wonogiri (ha), 2018 Area of Wetland by Subdistrict and Type of Irrigation in Wonogiri Regency (ha), 2018,” https://wonogirikab.bps.go.id/, 2019. https://wonogirikab.bps.go.id/statictable/2019/11/22/409/luas-lahan-sawah-menurut-kecamatan-dan-jenis-pengairan-di-kabupaten-wonogiri-ha-2018.html (accessed Feb. 26, 2019).
[5] A. S. Lesmana, “31 Desa Terancam Kekeringan, BPBD Wonogiri Siap Gelontorkan Dana Rp 10 M,” https://jateng.suara.com/, 2019. https://jateng.suara.com/read/2019/06/15/214930/31-desa-terancam-kekeringan-bpbd-wonogiri-siap-gelontorkan-dana-rp-10-m (accessed Feb. 26, 2019).
[6] A. Arianto, “Kekeringan di Wonogiri, Warga Jual Emas dan Ternak untuk Beli Air,” https://news.detik.com/, 2019. https://news.detik.com/berita-jawa-tengah/d-4612175/kekeringan-di-wonogiri-warga-jual-emas-dan-ternak-untuk-beli-air (accessed Feb. 26, 2019).
[7] 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, doi: 10.5194/isprsarchives-XLI-B8-157-2016.
[8] A. E. Maxwell, T. A. Warner, and F. Fang, “Implementation of machine-learning classification in remote sensing: An applied review,” Int. J. Remote Sens., vol. 39, no. 9, pp. 2784–2817, 2018, doi: 10.1080/01431161.2018.1433343.
[9] V. K. S. Que, S. Y. J. Prasetyo, and C. Fibriani, “Analisis Perbedaan Indeks Vegetasi Normalized Difference Vegtation Index (NDVI) dan Normalized Burn Ratio (NBR) Kabupaten Pelalawan Menggunakan Citra Satelit Landsat 8,” Indones. J. Comput. Model., no. 1, pp. 1–7, 2019.
[10] S. Yulianto, J. Prasetyo, S. Silvianugroho, K. D. Hartomo, and J. Diponegoro, “Penentuan Wilayah Resiko Bencana Kekeringan di Jawa Tengah Menggunakan Machine Learning dan Indeks Vegetasi pada Citra Landsat 8 OLI,” 2018.
[11] D. Sudiana and E. Diasmara, “Analisis Indeks Vegetasi menggunakan Data Satelit,” Semin. Intell. Technol. Its Appl., pp. 423–428, 2008.
[12] M. F. Fadlillah, R. Hadiani, and S. Solichin, “Analisis Kekeringan Hidrologi Berdasarkan Metode Normalized Difference Vegetation Index (Ndvi) Di Daerah Aliran Sungai Alang Kabupaten Wonogiri,” J. Ris. Rekayasa Sipil, vol. 2, no. 1, p. 34, 2018, doi: 10.20961/jrrs.v2i1.24324.
[13] N. Anggraini, S. Marpaung, and M. Hartuti, “Analisis Perubahan Garis Pantai Ujung Pangkah Dengan Menggunakan Metode Edge Detection Dan Normalized Difference Water Index (Ujung Pangkah Shoreline Change Analysis Using Edge Detection Method and Normalized Difference Water Index),” J. Penginderaan Jauh dan Pengolah. Data Citra Digit., vol. 14, no. 2, pp. 65–78, 2018, doi: 10.30536/j.pjpdcd.1017.v14.a2545.
[14] B. M. Sukojo, M. P. Prayoga, D. T. Geomatika, and K. I. T. S. Sukolilo, “wilayah Kabupaten Tuban , Provinsi Jawa Timur . Koreksi Citra Koreksi geometrik Landsat 8 yang digunakan pada penelitian ini menggunakan metode rektifikasi ( 2001 ) yaitu RMSE ≤ 1 , sehingga dapat disimpulkan terbebas dari kesalahan posisi baik lintang ma,” pp. 85–91, 2013.
[15] Y. Riko, A. I. Meha, and S. Y. J. Prasetyo, “Perubahan Konversi Lahan Menggunakan NDVI, EVI, SAVI dan PCA pada Citra Landsat 8 (Studi Kasus : Kota Salatiga),” Indones. J. Comput. Model., vol. 1, pp. 25–30, 2019.
[16] P. Talakua, E. Sediyono, and S. Y. J. Prasetyo, “Analisis Rawan Kebakaran Hutan Di Seram Maluku Berbasis Citra Landsat 8 Menggunakan Metode Inverse Distance Weighted,” J. Tek. Inform. dan Sist. Inf. , vol. 4, pp. 511–520, 2018.
[17] bootupacademyai, “Machine Learning? Pengertian – Konsep Dasar,” https://bootup.ai/, 2018. .
[18] P. Metode, R. Forest, and M. I. Fachruddin, “Classification Dan Support Vector Machine Untuk Deteksi Epilepsi Menggunakan Data Rekaman Electroencephalograph ( Eeg ) Comparison Between Random Forest Method and Support Vector Machine Method for Epileptic Seizure Detection Using Electroencephalograph D,” 2015.
[19] 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, doi: 10.5244/C.22.54.
[20] S. Wager, “Asymptotic Theory for Random Forests,” pp. 1–17, 2014, [Online]. Available: http://arxiv.org/abs/1405.0352.
[21] D. B. Napitupulu, “Studi Validitas Dan Realibilitas Faktor Sukses Implementasi E-Government Berdasarkan Pendekatan Kappa,” J. Sist. Inf., vol. 10, no. 2, p. 71, 2015, doi: 10.21609/jsi.v10i2.388.
Published
2021-03-02
How to Cite
Yoesmarlan, E., & Prasetyo, S. (2021). Klasifikasi Wilayah Risiko Kekeringan Dengan Metode Random Forest dan SVM Menggunakan Data Penginderaan Jauh LANDSAT 8 OLI Studi kasus : Kabupaten Wonogiri. Indonesian Journal of Computing and Modeling, 3(2). Retrieved from https://ejournal.uksw.edu/icm/article/view/4597
Section
Articles