Model Penilaian Tata Guna Lahan Dengan Citra Landsat 8 OLI Menggunakan Algoritma XGBoost Diwilayah Beresiko Tsunami (Studi Kasus : Kota Palu Sulawesi Tengah)
DOI:
https://doi.org/10.24246/icm.v4i1.4981Keywords:
Tata Guna Lahan, Algoritma XGBoost, Indeks Vegetasi, TsunamiAbstract
Tsunami merupakan salah satu bencana alam yang berbahaya dimana dapat memakan korban jiwa, gelombang air yang besar pada bencana tsunami dapat bergerak sangat cepat dan dapat menghancurkan wilayah pemukiman yang berada dekat dengan laut. Dimana Indonesia merupakan salah satu negara yang berada diurutan pertama dari 256 negara didunia dengan ancaman tsunami yang tinggi. Pada tanggal 28 September 2018 terjadi sebuah tsunami pada Kota Palu yang memakan korban jiwa sebanyak 3.689 orang hilang dan meninggal. Penelitian ini bertujuan untuk membuat sebuah model peta yang dapat memberikan informasi mengenai klasifikasi lahan beresiko tsunami. Tingkat klasifikasi lahan beresiko tsunami dibagi menjadi 5 klasifikasi yaitu sangat rawan, tinggi, rendah, sangat rendah, dan tidak rawan. Hasil penelitian yang didapatkan pada nilai akurasi untuk semua parameter sebesar 0.909, sedangkan nilai perulangan pertama train mlogloss sebesar 0.6926 dan test mlogloss 0.6928, dan untuk perulangan keseratus mendapatkan nilai train mlogloss 0.6437 dan test mlogloss 0.6547, diketahui bahwa semakin banyak melakukan perulangan nilai dari pada test mglogloss dan train mglogloss akan semakin kecil perluang dari kesalahan Extreme Gradient Boosting. Berdasarkan hasil klasifikasi antara data yang sudah dan belum diprediksi menggunakan Extreme Gradient Boosting didapatkan 43 kelurahan yang mempunyai hasil yang berbeda. Sehingga Extreme Gradient Boosting dapat digunakan untuk pengambilan keputusan dalam membuat model klasifikasi lahan beresiko tsunami.
Downloads
References
Badan Penganggulangan Bencana Daerah, “Tsunami | BPBD Provinsi NTB.” [Online]. Available: https://bpbd.ntbprov.go.id/?q=pengetahuan-bencana-tsunami. [Accessed: 06-Jul-2021].
Badan Nasional Penaggulangan Bencana, “Potensi Ancaman Bencana - BNPB.” [Online]. Available: https://bnpb.go.id/potensi-ancaman-bencana. [Accessed: 06-Jul-2021].
Badan Nasional Penanggulangan Bencana, “Gempabumi dan Tsunami Sulawesi Tengah - BNPB.” [Online]. Available: https://bnpb.go.id/infografis/infografis-gempabumi-m74-tsunami-sulawesi-tengah. [Accessed: 06-Jul-2021].
Badan Pemeriksa Keuangan Republik Indonesia, “Profil Kota Palu | BPK Perwakilan Provinsi SULAWESI TENGAH.” [Online]. Available: https://sulteng.bpk.go.id/profil-kota-palu/. [Accessed: 26-Jul-2021].
M. P. Umum, “Pedoman Perencanaan Umum Pembangunan Infrastruktur di Kawasan Rawan Tsunami,” 2009.
M. R. Maulana, L. Utama, and Z. Umar, “Analisa Pengaruh Perubahan Tata Guna Lahan Terhadap Debit Pada Sub Das Batang Tambuo Kota Bukittinggi,” Abstr. Undergrad. Res. Fac. Civ. Plan. Eng. Bung Hatta Univ., vol. 1, no. 1, pp. 2–4, 2020.
Veni, “Arahan Kebijakan Penggunaan Lahan Permukiman Berbasis Bencana Tsunami Di Kabupaten Pesisir Selatan,” J. Swarnabhumi, vol. 4, no. 2, pp. 122–130, 2019.
A. N. C. Purnamasari, “Peranan Hutan Mangrove Dalam Mengurangi Energi Gelombang Tsunami,” J. Pertan. Agros, vol. 19, no. 1, pp. 29–36, 2017.
L. E. Tomosoa and S. Y. J. Prasetyo, “Analisis Index Vegetasi Pesisir Pantai Aceh Pasca Tsunami Menggunakan Citra Satelit Landsat 7 Dan Landsat 8 Dengan Metode Clustering Algoritma K-Means,” Indones. J. Comput. Model., vol. 1, no. 1, pp. 28–35, 2018, doi: 10.24246/j.icm.2018.v1.i1.p28-35.
S. Y. J. Prasetyo, Y. B. Christianto, and K. D. Hartomo, “Analisis Data Citra Landsat 8 OLI Sebagai Indeks Prediksi Kekeringan Menggunakan Machine Learning di Wilayah Kabupaten Boyolali dan Purworejo,” Indones. J. Model. Comput., vol. 2, no. 2, pp. 25–36, 2019.
B. Laurensz, F. Lawalata, and S. Y. J. Prasetyo, “Potensi Resiko Banjir dengan Menggunakan Citra Satelit (Studi Kasus: Kota Manado, Provinsi Sulawesi Utara),” Indones. J. Comput. Model., vol. 2, no. 1, pp. 17–24, 2019.
R. E. Mauboy, S. Y. J. Prasetyo, and C. Fibriani, “Identifikasi Sebaran Tanaman Pangan Kabupaten Kupang Menggunakan Citra Satelit Landsat 8,” Indones. J. Comput. Model., vol. 2, no. 1, pp. 42–48, 2018.
T. Kartika, D. Dirgahayu, I. L. Sari, I. M. Parsa, and I. Carolita, “Evaluation of critical land rehabilitation based on Lansat-8 NDVI trend (in Indonesian),” J. Penginderaan Jauh dan Pengolah. Data Citra Digit., vol. 16, no. 2, pp. 61–70, 2019.
A. Y. Nofrizal, “Normalized Difference Built-Upindex (NDBI) Sebagai Parameter di Kelurahan Kalang Kawal, Kecamatan Gunung Kijang, Kabupaten Bintan,” Tunas Geogr., vol. 6, no. 2, p. 143, 2017.
N. Febrianti, K. Murtilaksono, and B. Barus, “Analisis Model Estimasi Tinggi Muka Air Tanah Menggunakan Indek Kekeringan,” J. Penginderaan Jauh dan Pengolah. Data Citra Digit., vol. 15, no. 1, pp. 25–36, 2018, doi: 10.30536/j.pjpdcd.2018.v15.a2867.
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, doi: 10.3390/s18020611.
USGS, “EarthExplorer.” [Online]. Available: https://earthexplorer.usgs.gov/. [Accessed: 06-Jul-2021].
Tanah Air Indonesia, “DEMNAS.” [Online]. Available: https://tanahair.indonesia.go.id/demnas/#/demnas. [Accessed: 06-Jul-2021].
T. Chen and C. Guestrin, “XGBoost: A scalable tree boosting system,” Proc. ACM SIGKDD Int. Conf. Knowl. Discov. Data Min., vol. 13-17-Augu, pp. 785–794, 2016, doi: 10.1145/2939672.2939785.
A. P. Widyantara and T. Solihuddin, “Pemetaan Perubahan Luasan Lahan Mangrove Di Pesisir Probolinggo Menggunakan Citra Satelit ( Mangrove Land Change Mapping At Coastal Area Of Probolinggo Using Satellite Imagery ),” J. Penginderaan Jauh dan Pengolah. Data Citra Digit., vol. 17, no. 2, pp. 75–87, 2020.
S. Anwar and Z. Hidayah, “Studi Kerentanan Wilayah Dan Ketahanan Masyarakat Pesisir Kecamatan Gedangan Kabupaten Malang Terhadap Bencana Tsunami,” Juv. J. Ilm. Kelaut. dan Perikan., vol. 1, no. 1, pp. 19–28, 2020, doi: 10.21107/juvenil.v1i1.6722.
Downloads
Published
How to Cite
Issue
Section
License
Indonesian Journal of Computing and Modeling is licensed under a Creative Commons Attribution 4.0 International License.
