Analisis Perbandingan Algoritme Pohon Keputusan Spasial untuk Klasifikasi Area Gambut yang Terbakar di Rokan Hilir Riau

Abstract

Indonesia merupakan salah satu negara yang memiliki lahan gambut terluas di antara negara tropis. Lahan gambut di Indonesia sering mengalami gangguan. Gangguan tersebut adalah peristiwa kebakaran. Kebakaran di lahan/hutan gambut sangat sulit diatasi dibandingkan dengan kebakaran yang terjadi di daerah non gambut. Salah satu cara yang memudahkan kita untuk mengetahui kondisi kebakaran hutan dan lahan gambut adalah dengan pemanfaatan teknologi remote sensing. Citra satelit yang dihasilkan dari remote sensing dapat dimanfaatkan melalui proses klasifikasi. Tujuan dari penelitian ini adalah membangun model klasifikasi menggunakan algoritme spatial decision tree (SDT), algoritme classification and regression trees (CART), algoritme C5.0, dan algoritme C4.5 untuk mengklasifikasi citra satelit lahan gambut sebelum terbakar, terbakar, dan setelah terbakar. Area yang digunakan adalah Kecamatan Kubu dan Kecamatan Pasir Limau Kapas, Kabupaten Rokan Hilir, Provinsi Riau. Klasifikasi data geografis dengan algoritme pohon keputusan konvensional akan mengabaikan aspek autokorelasi spasial dan secara implisit mengasumsikan data sebagai data independent. Model yang dibangun menggunakan 4 algoritme tersebut akan dianalisis untuk mengetahui algoritme yang terbaik dalam mengklasifikasi lahan gambut yang terbakar. Algoritme SDT diterapkan dengan menambahkan NSAR (Neigborhood Split Autocorrelation Ratio) ke dalam information gain dari algoritme CART. Penambahan NSAR mampu mengurangi noise dan meningkatkan akurasi. Hasil penelitian ini menunjukan bahwa algoritme C5.0 memiliki akurasi terbaik yaitu sebesar 99.79% dengan 595 aturan dan ukuran pohon sebesar 1603, algoritme C4.5 sebesar 98,89% dengan 1681 aturan dan ukuran pohon sebesar 3363, algoritme pohon keputusan berbasis autokorelasi spasial sebesar 96.39% dengan 11 aturan dan ukuran pohon sebesar 21, dan algoritme CART sebesar 95.67% dengan 8 aturan dan ukuran pohon sebesar 15. Penggunaan algoritme autokorelasi spasial dapat memperbaiki akurasi dari algoritme CART dan dapat mengurangi noise yang terdapat pada hasil klasifikasi algoritme CART. Dari aturan yang dihasilkan dapat diketahui bahwa kelas sebelum terbakar memiliki nilai band 7 lebih kecil dari 72.5, nilai band 4 lebih besar dari 44.5, dan nilai band 2 lebih kecil atau sama dengan 49. Kelas terbakar memiliki nilai band 7 lebih besar dari 51 dan band 4 memiliki nilai lebih kecil dari 43. Kelas setelah terbakar memiliki nilai band 7 antara 36 dan 72.5, band 4 memiliki nilai antara 44.5 dan 70. Kelas non gambut memiliki nilai band 7 lebih kecil atau sama dengan 41, nilai band 4 lebih kecil atau sama dengan 54, nilai band 2 lebih kecil atau sama dengan 49.