| dc.description.abstract | Saat ini peta tanah telah tersedia hampir di seluruh dunia, termasuk di Indonesia, pada berbagai tingkat skala. Pada metode yang berlaku selama ini, meningkatkan skala peta dilakukan dengan mensurvei kembali daerah yang sama dengan titik pengamatan lebih rapat untuk memperoleh informasi lebih detail untuk disajikan di peta. Survei membutuhkan biaya tinggi, waktu panjang, serta berisiko tinggi terutama di daerah terpencil, sulit terjangkau, dan berbahaya. Di sisi lain di negara maju beriklim sedang telah berkembang metode pemetaan tanah digital yang memungkinkan teknik pendetailan tanpa survei kembali. Pemetaan tanah digital memungkinkan membuat peta skala atau resolusi lebih tinggi dari peta berskala dan beresolusi lebih rendah. Prinsipnya dengan menggunakan sejumlah prosedur untuk mengambil kesimpulan beresolusi tinggi dari sejumlah peubah beresolusi lebih rendah. Pemetaan tanah digital menjadi jalan keluar yang hemat biaya, waktu, serta rendah risiko meskipun data terbatas. Namun, prosedur pada pemetaan tanah digital bersifat spesifik lokasi sehingga perlu penyesuaian jika diterapkan di wilayah lain. Akurasi pemetaan tanah digital masih beragam dan dipengaruhi oleh data input. Akurasi ini berpeluang ditingkatkan dengan tersedianya data digital elevation model (DEM) dan penginderaan jauh yang lebih baik dan lebih detil. Wilayah tropis memiliki sejumlah kendala seperti liputan awan dan tajuk vegetasi yang lebat sehingga sensor penginderaan jauh pasif terhalang untuk merekam data permukaan tanah. Hal tersebut berbeda dengan kondisi atmosfer di wilayah sedang yang kering, lebih bebas awan, serta tajuk vegetasi lebih jarang. Dengan demikian, salah satu kovariat yang dapat diandalkan untuk memprediksi tanah di daerah tropis adalah data DEM beserta turunannya yang mewakili relief atau topografi. Sementara kovariat lain yang dihasilkan teknologi SAR, data fusion, dan feature fusion membutuhkan pengolahan lebih lanjut. Penelitian ini dilakukan untuk mengisi ceruk keterbatasan riset pendetailan SPT dengan pemetaan tanah digital di wilayah ekuator yang beriklim tropis seperti Indonesia, termasuk dengan keragaman sub-iklimnya. Indonesia memiliki keragaman subiklim yaitu daerah beriklim hutan hujan tropis (Af), sabana (Aw) dan monsun tropis (Am). Penelitian ini bertujuan untuk mencari cara yang mudah, murah, dan cepat untuk mendetailkan SPT dari peta tanah yang telah tersedia. Tujuan tersebut dirinci menjadi 3: 1) memperoleh machine learning yang paling cocok untuk proses pendetailan SPT dari peta tanah semi detail (setara skala 1:50.000) serta untuk memperoleh kombinasi kovariat penaksir yang paling sesuai di wilayah sub iklim Aw; 2) memilih machine learning dan kombinasi kovariat penaksir di wilayah sub iklim Am; 3) mengembangkan teknik optimasi untuk memperbaiki kinerja machine learning dan kombinasi kovariat penaksir terpilih di wilayah sub iklim Af. Pemetaan tanah digital menggunakan beragam kombinasi kovariat penaksir yang diturunkan dari data DEM dan penginderaan jauh yang ditumpuk menjadi kumpulan data. Berikutnya dibuat data latih (training data) dari SPT yang tersedia pada peta tanah warisan skala 1:50.000 menggunakan purposive systematic sampling dan penetapan posisi dalam topografi dengan pengetahuan tersembunyi (tacit knowledge) di virtual globe Google Earth dan perangkat lunak System for Automated Geoscientific Analyses (SAGA). Data latih sebanyak 76 poligon, 783 poligon, dan 1.131 poligon masing-masing untuk Timor Tengah Utara, Jember, dan Bogor bersama kombinasi kovariat penaksir menjadi data input. Data diproses oleh algoritma machine learning K-Nearest Neighbour (KNN), Decision Tree (DT), Random Forest (RF), dan Support Vector Machine (SVM) dengan perangkat lunak R, QGIS, serta SAGA. Hasil penelitian menyimpulkan: 1) SPT di wilayah subiklim sabana tropis (Aw) dapat diprediksi menggunakan tiga algoritma KNN, RF, dan SVM yang menghasilkan peta terbaik dengan total akurasi di atas 70 %. KNN konsisten menghasilkan akurasi lebih baik dari SVM dan RF. Kombinasi penaksir terbaik untuk menghasilkan peta prediktif yaitu DEM, ANHS, SLP, ASP, CSC, LC, CI, CD, FA, TWI, dan LSF; 2) RF merupakan algoritma terbaik untuk memprediksi SPT di daerah subiklim monsoon tropis. RF menghasilkan akurasi 54,92—57,22 %, sementara KNN dan DT masing-masing 32,55—46,63 % dan 49,13—51,02 %. Kombinasi penaksir terbaik adalah DEM, ANHS, SLP, CNBL, VDCN, VD, dan LSF; 3) Kinerja algoritma RF untuk pendetailan SPT di wilayah subiklim hutan hujan tropis (Af) dapat dioptimasi dengan menambah kovariat bahan induk. Bahan induk meningkatkan total akurasi dari 44,60—60,88 % menjadi 59,91—73,89 %. Kombinasi kovariat terbaik adalah DEM, ANHS, SLP, LSF, CNBL, PLAC, VDCN, VD, NDVI, NDWI, HH, HV, dan BI. Penelitian ini memiliki 2 unsur kebaruan berupa metode dan hasil. Pada kebaruan metode diperoleh: 1) metode pendetailan SPT secara otomatis di daerah tropis; 2) metode optimasi untuk menghasilkan peta prediktif yang lebih baik dan lebih mendekati realitas; dan 3) pilihan metode yang lebih spesifik pada wilayah tropis dengan sub-iklim tertentu. Pada kebaruan hasil diperoleh produk pemetaan tanah digital dengan akurasi 70,00-73,89%. Namun demikian, metode pendetailan SPT yang lebih mudah, murah, dan cepat yang ditawarkan dalam penelitian ini hanya terbatas dapat digunakan oleh pembuat peta tanah yang memiliki pengetahuan konsep ilmu tanah (pedologi) dan pemetaan tanah terutama hubungan tanah dalam lanskap. Pengetahuan tersebut menjadi tacit knowledge yang digunakan untuk membuat training data dari poligon SPT pada peta tanah. Kemampuan merancang sejumlah prosedur dengan menggunakan berbagai perangkat lunak komputer tanpa pengetahuan konsep ilmu tanah dan pemetaan tanah tidak dapat menghasilkan peta tanah sesuai dengan konsep yang dipahami pada bidang ilmu tanah. Demikian sebaliknya seorang pedologis hanya dapat menggunakan metode ini bila dapat menerapkannya pada algoritma-algoritma machine learning pada penelitian ini. Keyword: mesin pembelajar, pemetaan tanah digital, pengetahuan tersembuyi, satuan peta tanah. | id |
