Identifikasi Tanaman Kopi di Provinsi Jawa Barat Berbasis Machine Learning Random Forest Dengan Citra Satelit Sentinel-2 dan Landsat-8

Abstract

Kopi merupakan komoditas yang penting baik bagi Indonesia maupun dunia. Namun demikian mengacu kepada data Badan Pusat Statistik (BPS) wilayah Provinsi Jawa Barat, masih terdapat perbedaan data luas tanaman kopi antara data BPS kabupaten/kota dengan provinsi. Oleh karenanya identifikasi dan pemetaan tanaman kopi perlu dilakukan dengan menggunakan metode lain yang lebih objektif seperti remote sensing dengan citra satelit menggunakan platform Google Earth Engine. Identifikasi tanaman kopi di wilayah Provinsi Jawa Barat pada penilitan ini dilakukan melalui proses machine learning menggunakan algoritma random forest dengan menambahkan olahan data citra satelit dan predictors-predictors yang dianggap mampu mengidentifikasi karakteristik tanaman kopi. Hasil penelitian menunjukkan pengolahan predictors NDVI untuk mengindikasikan kelas tutupan lahan vegetasi dan non-vegetasi sebelum proses identifikasi tanaman kopi penting dilakukan. Sedangkan predictors dominan yang dapat mengidentifikasi tanaman kopi adalah elevasi dan forest canopy density. Identifikasi tanaman kopi dengan machine learning menggunakan citra satelit Sentinel-2 dan Landsat-8 dapat dilakukan. Walaupun identifikasi tersebut menunjukkan hasil yang overestimated, masing-masing sebesar 61% dan 13,3% dari data acuan BPS provinsi. Akurasi total terbaik yang diperoleh dengan metode random forest adalah 92% untuk Sentinel-2 dan 81% untuk Landsat-8. Hasil tersebut sangat dipengaruhi oleh data training yang diberikan pada saat proses pembelajaran.

Coffee is an important commodity for both Indonesia and the world. However, referring to the data from the Badan Pusat Statistik (BPS) for the West Java Province, there are still have differences data between district/city and provincial BPS data about coffee plant area. Therefore, identification and mapping of coffee plants needs to be done using other more objective methods such as remote sensing with satellite imagery using the Google Earth Engine platform. Identification of coffee plants in the province of West Java in this research is carried out through a machine learning process using a random forest algorithm by adding processed satellite image data and predictors that are considered capable of identifying the characteristics of coffee plants. The results showed the processing of NDVI predictors to indicate vegetative and non-vegetated land cover classes before the coffee plant identification process was carried out. While the dominant predictors that can identify coffee plants are the height and density of the forest canopy. Identification of coffee plants by machine learning using Sentinel-2 and Landsat-8 satellite imagery can be done. Although the identification shows overestimated results of 61% for Sentinel-2 and 13.3% for Landsat-8 from reference data (provincial BPS data), respectively. The best total accuracy obtained by the random forest method is 92% for Sentinel-2 and 81% for Landsat-8. These results are strongly influenced by the training data provided during the learning process.