View Item 
      •   IPB Repository
      • Dissertations and Theses
      • Undergraduate Theses
      • UT - Faculty of Agricultural Technology
      • UT - Agricultural and Bio-system Engineering
      • View Item
      •   IPB Repository
      • Dissertations and Theses
      • Undergraduate Theses
      • UT - Faculty of Agricultural Technology
      • UT - Agricultural and Bio-system Engineering
      • View Item
      JavaScript is disabled for your browser. Some features of this site may not work without it.

      Identifikasi Tanaman Kopi (Coffea) di Provinsi Jawa Barat berbasis Machine Learning SVM dan Random Forest Citra Satelit Landsat-8

      Thumbnail
      View/Open
      Cover (390.9Kb)
      Full Text (1.999Mb)
      Lampiran (758.1Kb)
      Date
      2022-11-28
      Author
      Damayanti, Alfina Mika
      Liyantono
      Metadata
      Show full item record
      Abstract
      Identifikasi dilakukan dengan memanfaatkan platform Google Earth Engine (GEE) untuk kepentingan pemetaan perkebunan agar terjadi keharmonisan data antara data pusat maupun daerah dan mengetahui tingkat kesesuaian lahan dengan karakteristik kopi. Tujuan penelitian yaitu mengidentifikasi dan memetakan lahan perkebunan kopi dengan memanfaatkan citra satelit Landsat-8 pada platform GEE serta menganalisis parameter prediktor yang sesuai untuk mengidentifikasi sebaran tanaman kopi. Prosedur penelitian dilakukan dalam 6 tahap, yaitu tahap persiapan data, prapengolahan citra, pengolahan citra, pengolahan data, analisis spasial, dan pengujian akurasi. Hasil penelitian menunjukkan prediktor utama yang berkontribusi besar dalam membedakan karakteristik tanaman kopi yaitu Normalized Difference Vegetation Index (NDVI), Elevasi, dan Forest Canopy Density (FCD). Identifikasi menghasilkan luas sebaran tanaman kopi pada tiap daerah di Jawa Barat dan menghasilkan tingkat estimasi luas lahan yang berbeda dari data yang diperoleh pada Badan Pusat Statistik (BPS) daerah dengan metode Support Vector Machine (SVM) dan Random Forest masing-masing sebesar 59.146 ha dan 167.011 ha. Tingkat akurasi yang dihasilkan berbeda pada metode SVM dan Random Forest. Metode SVM dan metode Random Forest masing-masing menghasilkan tingkat Overall Accuracy sebesar 90% dan 78% serta Kappa Coefficient sebesar 0,88 dan 0,74. Tingkat akurasi berupa data training dan data validasi pada kelas tutupan lahan kopi dengan metode SVM dan Random Forest menghasilkan nilai yang berbeda. Pada metode SVM menghasilkan nilai data training dan data validasi cukup signifikan yaitu 37,5% dan 0 persen. Sedangkan pada metode Random Forest menghasilkan akurasi yang lebih baik dengan nilai data training dan data validasi sebesar 43,75% dan 75%. Identifikasi dengan menggunakan teknik Remote Sensing merupakan suatu kemudahan dalam proses pengumpulan data yang diperoleh secara langsung pada Platform GEE.
      URI
      http://repository.ipb.ac.id/handle/123456789/115357
      Collections
      • UT - Agricultural and Bio-system Engineering [2163]

      Copyright © 2020 Library of IPB University
      All rights reserved
      Contact Us | Send Feedback
      Indonesia DSpace Group 
      IPB University Scientific Repository
      UIN Syarif Hidayatullah Institutional Repository
      Universitas Jember Digital Repository
        

       

      Browse

      All of IPB RepositoryCollectionsBy Issue DateAuthorsTitlesSubjectsThis CollectionBy Issue DateAuthorsTitlesSubjects

      My Account

      Login

      Application

      google store

      Copyright © 2020 Library of IPB University
      All rights reserved
      Contact Us | Send Feedback
      Indonesia DSpace Group 
      IPB University Scientific Repository
      UIN Syarif Hidayatullah Institutional Repository
      Universitas Jember Digital Repository