Pembangunan Algoritma Pembelajaran Mesin dalam Deteksi Agroforestri Kakao: Studi Kasus di Kabupaten Luwu Utara, Provinsi Sulawesi Selatan

Abstract

Agroforestri merupakan sektor strategis dalam bisnis kehutanan yang mendukung kesejahteraan masyarakat. Produksi kakao di Indonesia lebih dari 50% berasal dari Pulau Sulawesi, namun data distribusi spasial kakao masih sulit diperoleh. Penelitian ini mengkaji penggunaan algoritma pohon keputusan dalam pembelajaran mesin untuk mendeteksi agroforestri kakao (CAF) dan perkebunan monokultur kakao (CNF) di Kabupaten Luwu Utara, Provinsi Sulawesi Selatan. Tujuan utama penelitian adalah mengidentifikasi algoritma pohon keputusan terbaik untuk mendeteksi agroforestri kakao dan perkebunan monokultur kakao. Keterbatasan resolusi spasial menjadi salah satu pertimbangan dalam penelitian ini, yang mengeksplorasi kombinasi variabel dari: (1) Landsat 8 OLI, seperti NDVI, NRGI, NBR, NDWIG, MNDWIM, dan VDVI; serta (2) variabel sosio-geo-biofisik meliputi elevasi, kemiringan lereng, jarak dari permukiman, jarak dari sungai, dan penutup lahan berbasis interpretasi visual. Hasil penelitian menunjukkan bahwa variabel paling berpengaruh dalam mendeteksi CAF dan CNF adalah variabel dengan bobot signifikan berdasarkan analisis brute force, information gain, dan indeks Gini. Penelitian ini menyimpulkan bahwa deteksi tanaman kakao agroforestri dan monokultur dapat dilakukan secara efektif menggunakan algoritma pembelajaran mesin decision tree dengan tingkat akurasi keseluruhan sebesar 85,6%. Algoritma ini menghasilkan nilai PA (Producer Accuracy) dan UA (User Accuracy) untuk kelas tanaman kakao agroforestri masing-masing sebesar 75% dan 85%, serta untuk kelas kakao monokultur masing-masing sebesar 83% dan 81%. Algoritma terbaik dihasilkan dengan menggunakan parameter information gain, dikombinasikan dengan variabel spektral dan sosio-geo-biofisik, yaitu visual-based land use land cover (TL visual), NDVI, NDWIG, NBR, VDVI, jarak dari pemukiman, dan elevasi. Keberadaan pemukiman dan ketinggian memengaruhi lokasi keberadaan tanaman kakao. Sementara itu, atribut lain seperti MNDWIM, NRGI, kemiringan, dan sungai tidak memengaruhi hasil klasifikasi.

In the forestry business, agroforestry is a strategic sector supporting people's welfare. Although more than 50% of Indonesia's cocoa production comes from Sulawesi Island, data on the spatial distribution of cocoa is complicated to obtain. This study describes using the decision tree of a machine learning algorithm for detecting cocoa agroforestry (CAF) and cocoa monoculture plantations (CNF) in North Luwu District, South Sulawesi Province. The primary objective was to identify the best decision tree algorithm for identifying cocoa agroforestry cocoa monoculture plantations. For the spatial resolution limitation consideration, the study explores the combination of variables derived from (1) Landsat 8 OLI, such as NDVI, NRGI, NBR, NDWIG, MNDWIM, and VDVI) and (2) socio-geo-biophysical variables such as elevation, slope, distance from settlements, distance from the river, and existing visual-interpretation-based land-use land cover). This study concludes that the detection of agroforestry and monoculture cocoa plantations can be effectively achieved using a decision tree machine learning algorithm, with an overall accuracy rate of 85.6%. The algorithm produced a Producer Accuracy (PA) and User Accuracy (UA) of 75% and 85%, respectively, for the agroforestry cocoa class, and 83% and 81%, respectively, for the monoculture cocoa class. The optimal algorithm was achieved by employing the information gain parameter combined with spectral and socio-geo-biophysical variables, including visual-based land use/land cover (TL visual), NDVI, NDWIG, NBR, VDVI, distance from settlements, and elevation. The presence of settlements and elevation were significant factors influencing the location of cocoa plantations. Meanwhile, other attributes such as MNDWIM, NRGI, slope, and rivers did not significantly affect the classification results.