Perbandingan Algoritma K-NN, SVM dan Random Forest untuk Klasifikasi Wilayah Risiko Kebakaran Lahan Pada Data Citra Landsat 8 OLI

  • Evan Geraldy Suryoto Fakultas Teknologi Informasi Universitas Kristen Satya Wacana Salatiga
  • Sri Yulianto Joko Prasetyo Fakultas Teknologi Informasi Universitas Kristen Satya Wacana Salatiga
Keywords: Kebakaran, K-NN, SVM, Random Forest, Machine Learning, IDW, Penginderaan Jarak Jauh, Landsat 8 OLI

Abstract

Kebakaran lahan memiliki tingkat kerugian besar bagi yang terkena dampaknya. Dampak langsung yang dirasakan adalah adanya kabut asap yang mencemari udara di sekitar daerah kebakaran. Penelitian ini menggunakan beberapa indeks diataranya : Indeks yang dipakai antara lain ialah Enhanced Vegetation Index (EVI), Normalized Burn Ratio (NBR), Normalized Difference Vegetation Index (NDVI), Normalized Difference Water Index (NDWI) dan Soil Adjusted Vegetation Index (SAVI). Data yang akan diteliti berupa Citra Satelit Landsat 8 OLI. Hasil analisis menggunakan korelasi pearson, rata-rata indeks memiliki korelasi kuat. Korelasi yang paling kuat ialah antara NDVI dengan SAVI dengan nilai korelasi 0,98. Hasil confusion matrix menunjukkan bahwa metode Random Forest adalah metode yang terbaik untuk penelitian ini, hal tersebut dapat dilihat dari akurasi yang bernilai 0,9995 dan Kappa yang bernilai 0,9897. Prediksi spasial menggunakan Inverse Distance Weighted (IDW) pada perhitungan yang telah dilakukan. Pengujian hubungan spasial antar kecamatan yang berpotensi kebakaran dilakukan dengan menggunakan analisis Moran's I.

Downloads

Download data is not yet available.

References

[1] A. S. Suryani, “DI WILAYAH PERBATASAN INDONESIA Handling Smoke Haze from Forest Fire at Border Regions in Indonesia,” pp. 59–76, 2012.
[2] F. March and E. Mulyana, “KUALITAS UDARA DI PROVINSI RIAU SMOKE HAZE DISASTER OF LAND AND FOREST FIRE IN RELATION WITH AIR QUALITY IN RIAU PROVINCE DURING,” vol. 16, no. 3, pp. 1–7, 2014.
[3] J. P. Berkelanjutan, “Analisis Kebijakan Pencegahan Dan Pengendalian Kebakaran Hutan Dan Lahan Di Provinsi Jambi,” vol. 1, no. 1, pp. 94–104, 2018.
[4] J. Purwanto, S. Nugroho, and R. A. S, “IDENTIFIKASI AREAL BEKAS KEBAKARAN HUTAN DAN LAHAN MENGGUNAKAN ANALISIS SEMI OTOMATIS CITRA SATELIT ( Identification of Forest and Land Burnt Scar Area using Semi Automatic Analysis of,” pp. 273–282, 2016.
[5] L. B. L. A et al., “Remote sensing techniques to assess active fire characteristics and post-fire effects,” pp. 319–345, 2006.
[6] A. M. Widodo and D. Hartono, “Penggunaan Data Penginderaan Jauh dan Sistem Informasi Geografis untuk Pembuatan Prototipe Perangkat Lunak Simulasi Penyebaran Kebakaran Hutan,” vol. 31, no. 1, pp. 12–21, 2017.
[7] L. Giglio, L. Boschetti, D. P. Roy, M. L. Humber, and C. O. Justice, “Remote Sensing of Environment The Collection 6 MODIS burned area mapping algorithm and product,” Remote Sens. Environ., vol. 217, no. August, pp. 72–85, 2018.
[8] M. S. Baladina, “Perbandingan Nilai Akurasi Algoritma Klasifikasi Data Mining pada Mammographic Mass Dataset UCI Machine Learning,” no. 06211540000120, 2013.
[9] B. Matsushita, W. Yang, J. Chen, Y. Onda, and G. Qiu, “Sensitivity of the Enhanced Vegetation Index (EVI) and Normalized Difference Vegetation Index (NDVI) to topographic effects: A case study in high-density cypress forest,” Sensors, vol. 7, no. 11, pp. 2636–2651, 2007.
[10] “Normalized Burn Ratio [].” [Online]. Available: https://wiki.landscapetoolbox.org/doku.php/remote_sensing_methods:normalized_burn_ratio. [Accessed: 10-Dec-2019].
[11] A. Purwanto, P. Sudi, P. Geografi, F. Ilmu, and N. D. Vegetation, “PEMANFAATAN CITRA LANDSAT 8 UNTUK IDENTIFIKASI NORMALIZED DIFFERENCE VEGETATION INDEX ( NDVI ) DI KECAMATAN SILAT HILIR KABUPATEN menganalisa keadaan vegetasi dari suatu wilayah . Indeks tersebut mempunyai Vegetation Index ( SAVI ), Atmospherically Resist,” pp. 27–36, 2011.
[12] L. Ji, L. Zhang, and B. Wylie, “Problems of Dynamic NDWI Threshold and Objectives of the Study The NDWI data derived from Landsat MSS, TM, and ETM (Jain et al,” Photogramm. Eng. Remote Sens., vol. 75, no. 11, pp. 1307–1317, 2009.
[13] P. Bidang, A. Daia, and P. Jauh, “Pengkajian Nilaiindeks Vegetasi Data Modis Pengolahan Data Indeks Vegetasi,” vol. 1, no. 1, pp. 20–34, 2004.
[14] N. R. Ramadhan, “Analisis Indeks Jalan Dan Karakteristik Spasial Kabupaten Bone Berbasis Gis Menggunakan Citra Landsat 8,” pp. 1–15, 2017.
[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] G. H. Pramono, “Akurasi Metode IDW dan Kriging untuk Interpolasi Sebaran Sedimen Tersuspensi di Maros, Sulawesi Selatan,” Forum Geogr., vol. 22, no. 2, p. 145, 2008.
[17] P. A. P. MORAN, “NOTES ON CONTINUOUS STOCHASTIC PHENOMENA,” Biometrika, vol. 37, no. 1–2, pp. 17–23, Jun. 1950.
[18] A. H. Triastuti Wuryandari1 and D. R. Dewi Setya Kusumawardani3, “Identifikasi Autokorelasi …(Triastuti),” Media Stat. Vol. 7, No. 1, Juni 201, vol. 7, pp. 1–10, 2011.
[19] D. Retno, S. Saputro, and P. Widyaningsih, “Proporsionalitas Autokorelasi Spasial dengan Indeks Global (Indeks Moran) dan Indeks Lokal (Local Indicator of Spatial Association (LISA)),” Knpmp Iii, 2018.
[20] Sukarna, W. Sanusi, and H. Hafilah, “Analisis Autokorelasi Moran ’ s I , Geary ’ s C , Getis-Ord G , dan LISA serta Penerapannya pada Penderita Kusta di Kabupaten Gowa,” pp. 1–11, 2017.
Published
2021-03-02
How to Cite
Suryoto, E., & Prasetyo, S. (2021). Perbandingan Algoritma K-NN, SVM dan Random Forest untuk Klasifikasi Wilayah Risiko Kebakaran Lahan Pada Data Citra Landsat 8 OLI. Indonesian Journal of Computing and Modeling, 3(2). Retrieved from https://ejournal.uksw.edu/icm/article/view/4599
Section
Articles