Perbandingan Pemilihan Variabel Stepwise Regression Dan Boruta Untuk Estimasi Stok Karbon Vegetasi Tegakan Menggunakan Citra Hiperspektral Prisma: Studi Kasus Pada Sebagian Kawasan Taman Nasional Gunung Merbabu

Pegi Melati, Dr. Sanjiwana Arjasa Kusuma, S.Si.., M.GIS

2023 | Skripsi | S1 KARTOGRAFI DAN PENGINDERAAN JAUH

Ekosistem hutan memainkan peran penting dalam siklus karbon yang
mempengaruhi keseimbangan karbon. Penurunan fungsi hutan sebagai penyimpan
cadangan karbon akibat deforestasi dan degradasi hutan dapat menyebabkan
pelepasan karbon ke atmosfer (emisi karbon) sehingga mempengaruhi kondisi iklim
global. Pengukuran nilai biomassa hingga stok karbon diperlukan sebagai upaya
untuk memahami kondisi ekosistem hutan dan kaitannya dengan perubahan iklim.
Kombinasi sistem penginderaan jauh sensor hiperspektral dan pembelajaran mesin
dapat digunakan untuk mengestimasi stok karbon vegetasi tegakan yang menjadi
salah satu simpanan karbon terbesar. Namun, diperlukan optimalisasi variabel
melalui pemilihan variabel guna mengoptimalkan data masukan sekaligus mencari
kombinasi variabel prediktor terbaik. Penelitian ini bertujuan untuk: 1) Mengetahui
variabel paling optimal dari Citra Hiperspektral PRISMA untuk memodelkan stok
karbon vegetasi tegakan; 2) Menguji akurasi model estimasi stok karbon vegetasi
tegakan yang dibangun menggunakan variabel optimal hasil pemilihan variabel
Stepwise Regression dan Boruta; 3) Melakukan estimasi dan pemetaan stok karbon
vegetasi tegakan di sebagian Kawasan Taman Nasional Gunung Merbabu. Metode
pemilihan variabel menggunakan pendekatan statistik dengan Stepwise Regression
serta metode Wrapper dengan algoritma Boruta. Sebanyak 6 kombinasi
saluran/band tunggal Citra PRISMA hasil pemilihan variabel digunakan untuk
memodelkan stok karbon menggunakan algoritma Random Forest. Hasilnya
diperoleh, model Random Forest-Boruta memiliki akurasi lebih tinggi
dibandingkan model Random Forest-Stepwise Regression. Model Random ForestBoruta I (? = 0,01) menunjukkan konsistensi nilai yang paling baik dengan nilai
RMSE (2,25 ton/piksel), nRMSE (22,77%), SEE (2,6 ton/piksel), maksimum
akurasi (65,52%), serta nilai Bias (0,23). Nilai R-Square dan Adjusted R-Square
model tersebut sebesar 0,6963 dan 0,6457. Sementara itu, akurasi terbaik dari
pemilihan variabel Stepwise Regression dimiliki Model Random Forest-Stepwise
Regression II. Nilai RMSE, nRMSE, SEE, maksimum akurasi, serta nilai bias
berturut-turut adalah 3 ton/piksel, 30,37%, 3,47 ton/piksel, 54,01%, dan 0,20.
Sementara nilai R-Square dan Adjusted R-Square sebesar 0,3205 dan 0,2073

Forest ecosystems play an important role in the carbon cycle which affects carbon
balance. The decline in the function of forests as a store of carbon stocks due to
deforestation and forest degradation can cause the release of carbon into the
atmosphere (carbon emissions) thereby affecting global climate conditions.
Measurement of biomass and carbon stock is needed as an effort to understand the
condition of forest ecosystems and their relation to climate change. The
combination of hyperspectral remote sensing systems and machine learning can be
used to estimate the carbon stock of trees vegetation which is one of the largest
carbon stores. However, it is necessary to optimize the variables by selecting
variables in order to optimize the input data as well as find the best combination of
predictor variables. This study aims to: 1) Determine the most optimal variables
from PRISMA Hyperspectral Imagery for modeling carbon stock of trees
vegetation; 2) Test the accuracy model of the trees vegetation carbon stock built
using the optimal variable from Stepwise Regression and Boruta; 3) Estimating and
mapping the trees vegetation carbon stock in part of Mount Merbabu National Park.
Variable selection method used a statistical approach with Stepwise Regression and
Wrapper method with Boruta algorithm. A total of 6 single band combinations of
PRISMA imagery as a result of selecting variables were used to build model carbon
stock with Random Forest algorithm. The result is that the Random Forest-Boruta
model has higher accuracy than the Random Forest-Stepwise Regression model.
Model Random Forest-Boruta I (? = 0.01) shows the best consistency of values
with RMSE (2.25 tonnes/pixel), nRMSE (22.77%), SEE (2.6 tonnes/pixel),
maximum accuracy (65.52%), and Bias (0.23). R-Square and Adjusted R-Square
values of the model are 0.6963 and 0.6457. Meanwhile, the best accuracy of
Stepwise Regression variable selection belongs to Random Forest-Stepwise
Regression II. RMSE, nRMSE, SEE, maximum accuracy, and bias values were 3
tonnes/pixel, 30.37%, 3.47 tonnes/pixel, 54.01%, and 0.20, respectively. While the
R-Square and Adjusted R-Square values are 0.3205 and 0.2073

Kata Kunci : Above Ground Carbon, Varible Selection, Machine Learning, Stepwise Regression, Boruta,Above Ground Carbon, Varible Selection, Machine Learning, Stepwise Regression