Deteksi Kerapatan Hutan Mangrove dengan Algoritma Decision Tree of Machine Learning Menggunakan Citra Satelit PlanetScope di Kabupaten Tapanuli Tengah

Abstract

Penelitian ini mengkaji tentang pengembangan algoritma pohon keputusan dari pendekatan pembelajaran mesin guna memetakan kelas kerapatan hutan mangrove. Penelitian ini bertujuan untuk membangun model algoritma decision tree of machine learning deteksi kerapatan hutan mangrove di Kabupaten Tapanuli Tengah menggunakan data citra PlanetScope. Model dikembangkan menggunakan kombinasi peubah spektral (NDVI, NDWI, GARI, SAVI, dan SI) dan peubah sosio-geo-biofisik (proximity pemukiman, proximity sungai, proximity garis pantai, elevasi, kemiringan lereng, dan kondisi substrat). Model terbaik menghasilkan nilai overall accuracy 92,1%; kappa accuracy 91,2%; producer’s accuracy minimum 81,3%; dan user accuracy minimum 85,3%. Peubah NDVI terpilih sebagai simpul akar (root node), kemudian disusul oleh substrat, elevasi, NDWI, GARI, proximity pemukiman, proximity garis pantai, proximity sungai dalam membangun model algoritma pohon keputusan.