Analisis Perbandingan Algoritme Pohon Keputusan Spasial untuk Klasifikasi Area Gambut yang Terbakar di Rokan Hilir Riau
View/ Open
Date
2015Author
Thariqa, Putri
Sitanggang, Imas Sukaesih
Syaufina, Lailan
Metadata
Show full item recordAbstract
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.