| dc.description.abstract | Studi ini mendeskripsikan pengembangan algoritma pembelajaran mesin pohon keputusan untuk mendeteksi dan mengidentifikasi tanaman agroforestri kopi. Data utama yang digunakan dalam studi ini adalah citra satelit SPOT-7, yang kemudian ditransformasikan menjadi citra sintetis NDVI, VDVI, VARI, dan NRGI. Untuk meningkatkan akurasi, studi ini juga mengintegrasikan citra sintetis dengan variabel sosio-geografis dan biofisik, termasuk kedekatan jalan, sungai, dan permukiman. Data lain yang digunakan meliputi elevasi, kemiringan, dan tutupan lahan visual. Studi ini menemukan bahwa algoritma terbaik untuk mendeteksi tanaman agroforestri kopi menggunakan pohon keputusan dengan perolehan informasi dan variabel, termasuk NDVI, VDVI, NRGI, elevasi, dan tutupan lahan. Algoritma ini menggunakan kedalaman maksimum 35, tanpa pemangkasan atau pra-pemangkasan, ukuran daun minimum 60, ukuran pemisahan minimum 48, dan alternatif pra-pemangkasan 60. Algoritma ini menghasilkan akurasi keseluruhan 94,0% dan akurasi kappa 93,3%. Variabel yang paling berpengaruh dalam model deteksi adalah tutupan lahan. Kopi agroforestri memiliki akurasi pengguna sebesar 89,5% dan akurasi produsen sebesar 83,6%. Model algoritma pembelajaran mesin mampu mendeteksi dan mengidentifikasi distribusi kopi agroforestri secara akurat. | |
