PENILAIAN DAN PERBANDINGAN KEMAMPUAN ALGORITMA SUPPORT VECTOR MACHINE DAN RANDOM FOREST DALAM PEMODELAN SPASIAL KERENTANAN PENYAKIT DEMAM BERARAH BERBASIS CITRA LANDSAT 8 OLI/TIRS. Studi Kasus: Kota Baubau, Propinsi Sulawesi Tenggara

RAHMAT AZUL MIZAN, Dr. Prima Widayani, M.Si; Dr. Nur Mohammad Farda, M.C.s

2021 | Tesis | MAGISTER PENGINDERAAN JAUH

Pemahaman akan distribusi kerentanan wilayah terhadap penyakit demam berdarah (DBD) dapat dilakukan melalui pemodelan spasial. Salahsatu metode pemodelan spasial yang relatif baru dan luas digunakan adalah penggunaan algoritma machine learning sebagai perkembangan bidang geospatial artificial intelligent (geoAI). Perlu pemahaman yang mendalam tentang kemampuan algoritma machine learning khususnya algoritma support vector machine (SVM) dan random forest (RF) dalam pemodelan spasial kerentanan demam berdarah. Penelitian ini bertujuan (1) menilai dan membandingkan kemampuan algoritma SVM dan RF dalam pemodelan spasial kerentanan demam berdarah yang berbasis pada citra Landsat 8 OLI/TIRS, dan (2) memetakan dan mendeskripsikan distribusi tingkat kerentanannya di Kota Baubau. Klasifikasi kerentanan DBD didasarkan pada kemampuan nilai parameter algoritma SVM dan RF. Trial and error merupakan metode yang digunakan untuk menemukan kombinasi nilai parameter optimum dari kedua algoritma tersebut. Kemampuan model divalidasi menggunakan kurva AUC-ROC (Area under curve- receiver operating characteristic) yang dinyatakan dalam bentuk kualitatif. Sementara itu, pemetaan tingkat kerentanan dilakukan dengan metode tumpang susun (overlay) model terbaik dengan peta administrasi Kota Baubau. Hasil penelitian menunjukan algoritma SVM memberikan kemampuan yang maksimal ketika nilai parameter lebar kernel (γ) diatur pada angka 0,06 dan 16 untuk nilai regularisasi (C), sementara itu algoritma RF memberikan kemampuan terbaiknya ketika nilai parameter jumlah pohon keputusan (N-tree) diseting pada angka 500 dan nilai parameter mtry sebesar 1 dengan jumlah variabel (N-fact) sebesar 6. Dalam hal perbandingan kemampuan, SVM dianggap lebih baik dari RF dengan nilai AUC sebesar 1 dan 0,997. Pemetaan tingkat kerentanan menunjukan informasi bahwa secara spasial keseluruhan wilayah administrasi Kota Baubau masih didominasi oleh wilayah dengan status potensial dan tidak rentan dengan persentase luas wiilayah sebesar 51,94% dan 37,08% dari total luas wilayah. Berdasarkan administrasi kecamatan, Kecamatan Batupuaro dan Kecamatan Murhum merupakan wilayah yang didominasi oleh kelas cukup rentan dan rentan

Spatial modeling can used to describe a phenomena of dengue vulnerability (DHF). One of the relatively novelty and widely method in spatial modeling is machine learning algorithms as a result of geospatial artificial intelligent (geoAI). It needs a deeply understanding of ability of machine learning algorithms especially support vector machine (SVM) and random forest (RF) algoritms in spatial modeling of dengue fever vulnerability. This study aims to (1) assess and compare the ability of SVM and RF algorithms in spatial modeling vulnerability of dengue based on Landsat 8 OLI/TIRS imagery, (2) map and describe the distribution of dengue vulnerability levels in Baubau City. The classification of DHF vulnerability is based on the ability of the parameter values SVM and RF algorithms. Trial and error are method used to find the optimum combination value of the two algorithms. These model capability is validated using the AUC-ROC (Area under curve-receiver operating characteristic) curve which is expressed in qualitative terms. Meanwhile, the mapping of vulnerability level was carried out by overlay two layers consist of administrative layer and the best model obtained. The results showed that the SVM algorithm provides maximum capabilities when the value of the kernel width parameter (γ) is set at 0.06 and 16 for the regularization value (C), meanwhile the RF algorithm provides the best capability when the parameter value of the number of decision trees (N-tree) is set at 500 and the mtry parameter value is 1 with the number of variables (N-fact) of 6. In terms of comparison of capabilities, SVM is considered better than RF with AUC values of 1 and 0.997. The mapping of level vulnerability shows information that spatially the entire administrative area of Baubau City is still dominated by areas with potential and non-vulnerable status with a percentage of the area of 51,94% and 37,08% of the total area. Based on sub-district administration, Batupuaro and Murhum sub-districts are areas that are dominated by quite vulnerable and vulnerable classes.

Kata Kunci : Support Vector Machine (SVM), Random Forest (RF), Kerentanan, Demam Berdarah, Citra Landsat 8