| dc.contributor.advisor | Jaya, I Nengah Surati | |
| dc.contributor.author | Manisyah | |
| dc.date.accessioned | 2023-09-26T08:23:54Z | |
| dc.date.available | 2023-09-26T08:23:54Z | |
| dc.date.issued | 2023 | |
| dc.identifier.uri | http://repository.ipb.ac.id/handle/123456789/125497 | |
| dc.description.abstract | Tulisan ini menerangkan tentang pembangunan algoritma klasifikasi machine
learning pohon keputusan dalam mengidektifikasi agroforestri kakao dan kakao
monokultur pada tiga tipologi menggunakan data penginderaan jauh dan data
geospasial. Tujuan dari penelitian ini adalah untuk menemukan peubah (atribut)
serta parameter algoritma pohon keputusan dalam mendeteksi kakao khususnya
agroforestri berbasis citra resolusi tinggi SPOT 6/7. Kajian ini menguji peubah
sosio-biogeofisik dan peubah spektral yang diturunkan dari citra SPOT SPOT 6/7.
Penelitian ini menemukan bahwa peubah paling berpengaruh adalah NDVI untuk
tipologi 1 dan 2, serta elevasi untuk tipologi 3. Penelitian ini juga menemukan
bahwa kriteria dari algoritma pohon keputusan terbaik adalah information gain
untuk tipologi 1 dan 2, serta gini index untuk tipologi 3. Kombinasi tersebut
menghasilkan kappa accuracy (KA) sebesar 97,30%, 98,80%, dan 99,21% untuk
tiap tipologi. | id |
| dc.description.abstract | This paper describes the development of a decision tree machine learning
classification algorithm to identify cocoa agroforestry and cocoa monocultures in
three typologies using remote sensing data and geospatial data. The objective of
this study was to find variables (attributes) and parameters of the decision tree
algorithm in detecting cocoa, especially agroforestry, based on SPOT 6/7 high resolution imagery. This study examines the socio-biogeophysical variables and
spectral variables derived from SPOT SPOT 6/7 images. This study found that the
most influential variables were NDVI for typology 1 and 2, and elevation for
typology 3. This study also found that the best decision tree algorithm criteria were
information gain for typology 1 and 2 and gini index for typology 3. The
combination produces Kappa Accuracy (KA) of 97,30%, 98,80% and 99,21% for
each typology. This study concludes that the vegetation index variable is more
reliable in identifying built-up land cover classes than socio-biogeophysical
variables. | id |
| dc.language.iso | id | id |
| dc.publisher | IPB University | id |
| dc.title | Pembangunan Algoritma Pohon Keputusan dalam Deteksi Agroforestri Kakao di Tiga Tipologi: Studi Kasus di Kecamatan Masamba | id |
| dc.title.alternative | Developing a Decision Tree Algorithm for Cocoa Agroforestry Detection in Three Typologies: Case Studies in Masamba District | id |
| dc.type | Undergraduate Thesis | id |
| dc.subject.keyword | pohon keputusan | id |
| dc.subject.keyword | mesin pembelajar | id |
| dc.subject.keyword | indeks vegetasi | id |
| dc.subject.keyword | sosio-biogeofisik | id |
| dc.subject.keyword | decision tree | id |
| dc.subject.keyword | machine learning | id |
| dc.subject.keyword | vegetation index | id |
| dc.subject.keyword | socio-biogeophysics | id |
