Please use this identifier to cite or link to this item: http://repository.ipb.ac.id/handle/123456789/115357
Title: Identifikasi Tanaman Kopi (Coffea) di Provinsi Jawa Barat berbasis Machine Learning SVM dan Random Forest Citra Satelit Landsat-8
Other Titles: Identification of Coffee Plants (Coffea) West Java based on Machine Learning Landsat-8 Satellite Imagery using SVM and Random Forest
Authors: Liyantono
Damayanti, Alfina Mika
Issue Date: 28-Nov-2022
Publisher: IPB University
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
Appears in Collections:UT - Agricultural and Biosystem Engineering

Files in This Item:
File Description SizeFormat 
Cover_Alfina Mika Damayanti_F14180022.pdf
  Restricted Access
Cover390.92 kBAdobe PDFView/Open
Skripsi Watermark_Alfina Mika Damayanti_F14180022.pdf
  Restricted Access
Full Text2.05 MBAdobe PDFView/Open
Lampiran_Alfina Mika Damayanti_F14180022.pdf
  Restricted Access
Lampiran758.16 kBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.