Kajian Algoritma Pohon Keputusan Pembelajaran Mesin (Decision Tree of Machine Learning) pada Deteksi Agroforestri Kakao dan Kakao Monokultur Menggunakan Citra SPOT-7 di Dua Tipologi Desa

Abstract

Tulisan ini membahas pembangunan algoritma klasifikasi pembelajaran mesin pohon keputusan untuk deteksi agroforestri kakao dan tutupan lahan lainnya. Tujuan penelitian ini adalah membangun algoritma decision tree terbaik dan perbedaannya dalam pengklasifikasian agroforestri kakao dan tutupan lahan lainnya di dua tipologi desa yang berbeda menggunakan atribut bio-sosio geofisik dan spektral yang diturunkan dari citra SPOT-7. Hasil penelitian menemukan bahwa atribut yang paling berpengaruh pada tipologi I adalah NDVI sehingga menjadi root node dengan kappa accuracy (KA) 91,30%, sedangkan pada tipologi III adalah GARI dengan KA 92,00%. Atribut lain yang paling berpengaruh pada tipologi I adalah ARVI, elevasi, dan jarak dari pemukiman, sedangkan pada tipologi III, NRGI, elevasi, dan jarak dari pemukiman. Algoritma terbaik pada tipologi I adalah gini index dengan parameter ukuran daun 21, menggunakan prunning, tanpa preprunning, alternative prunning 40, dan dengan automatic sampling, sedangkan algoritma terbaik pada tipologi III adalah information gain dengan parameter ukuran daun 11, tanpa prunning dan preprunning, alternative prunning nol, dan dengan stratified sampling. Hasil pengujian atribut secara terpisah menyimpulkan bahwa atribut bio-sosio geofisik lebih andal dan menghasilkan akurasi yang lebih tinggi dibandingkan atribut spektral. Namun demikian, apabila kedua atribut digabungkan akan menghasilkan hasil yang lebih akurat

This paper discusses the development of a decision tree of machine learning classification algorithm for detecting agroforestry cocoa and other land cover. The research objective is to build the best decision tree algorithm and its differences for classifying cocoa agroforestry and other land cover in two village typologies using geo-socio biophysical and spectral attributes derived from SPOT-7 Imagery. This research found that the most impact attribute in typology I was NDVI, with a KA of 91,4%, while in typology III, it was GARI, with a KA of 92,0%. Other attributes having the most impact in Typology I are ARVI, elevation, and distance from settlements, while in typology III, NRGI, elevation, and distance from settlements. The best algorithm in typology I is the gini index with parameter leaf size 21, using pruning, without pre-pruning, alternative pruning 40, and with automatic sampling, while the best algorithm in typology III is information gain with parameter leaf size 11, without pruning and pre-pruning, alternative pruning nol, and with stratified sampling. The results of the separate attribute tests concluded that the bio socio-geophysical attributes are more reliable and provide higher accuracy than the spectral attributes. However, if the two attributes are combined, it will produce more accurate results.