EVALUASI MODEL KEBAKARAN HUTAN DAN LAHAN MENGGUNAKAN MACHINE LEARNING PADA CITRA SENTINEL - 2 DENGAN CLOUD COMPUTING

LUTHFI RAHENDRA RAMADHAN, Dr. Nur Mohammad Farda, S.Si., M.Cs.

2024 | Skripsi | KARTOGRAFI DAN PENGINDRAAN JAUH

Upaya deteksi kebakaran hutan dan lahan dapat dilakukan dengan data penginderaan jauh dalam memperoleh informasi spasial di berbagai wilayah. Pengolahan lanjut dari penginderaan jauh yang memanfaatkan machine learning untuk melakukan klasifikasi area terbakar dapat membantu proses perolehan informasi spasial lebih cepat. Perkembangan teknologi memungkinkan penggunaan data cloud sehingga pengolahan data dapat dilakukan secara efektif dengan mengganakan platform cloud computing, salah satunya Google Earth Engine (GEE).  Citra yang digunakan Sentinel – 2 dengan memanfaatkan nilai selisih atau delta dari citra sebelum dan sesudah kebakaran sebagai variabel input klasifikasi. Algoritma yang digunakan merupakan random forest, Support vector machine, dan gradient boosting yang diterapkan pada tiga wilayah berbeda untuk melihat kemampuan dan konsistensi algoritma klasifikasi. Hasil dari klasifikasi akan dibandingkan dengan luasan geometrik hasil interpretasi visual. Hasil perbandingan menunjukan random forest pada Bromo Tengger Semeru (wilayah 1) sebesar 83%, Gunung Arjuno (wilayah 2) sebesar 75%, dan wilayah 3 Gunung Merbabu (wilayah 3) sebesar 46%. Perbandingan akurasi pada algoritma SVM pada wilayah 1 sebesar 78%, wilayah 2 sebesar 54%, dan wilayah 3 sebesar 55%. Perbandingan akurasi algoritma gradient boosting pada wilayah 1 88%, wilayah 2 sebesar 79%, dan wilayah 3 sebesar 61%. Perbedaan akurasi yang terjadi secara signifikan dapat disebabkan perbedaan karakteristik wilayah kajian yang cukup kompleks. Pengaruh penggunaan hyperparameter model yang spesifik pada satu wilayah juga menyebabkan turunnya hasil klasifikasi saat diterapkan pada wilayah berbeda.

Forest and land fire detection efforts can be carried out with remote sensing data in obtaining spatial information in various regions. Advanced processing of remote sensing that utilizes machine learning to classify burned areas can help the process of obtaining spatial information more quickly. The development of technology allows the use of cloud data so that data processing can be done effectively by using cloud computing platforms, one of which is Google Earth Engine (GEE).  The image used is Sentinel - 2 by utilizing the difference or delta value of the image before and after the fire as the classification input variable. The algorithms used are random forest, Support vector machine, and gradient boosting applied to three different areas to see the ability and consistency of the classification algorithms. The results of the classification will be compared with the geometric extent of the visual interpretation. The results of the classification will be compared with the geometric area of visual interpretation results. The comparison results show that the random forest in Bromo Tengger Semeru (region 1) is 83%, Mount Arjuno (region 2) is 75%, and region 3 Mount Merbabu (region 3) is 46%. Comparison of accuracy in the SVM algorithm in region 1 is 78%, region 2 is 54%, and region 3 is 55%. Comparison of the accuracy of the gradient boosting algorithm in region 1 is 88%, region 2 is 79%, and region 3 is 61%. Significant differences in accuracy can be caused by differences in the characteristics of the study areas that are quite complex. The effect of using model hyperparameters that are specific to one region also causes a decrease in classification results when applied to different regions.

Kata Kunci : kebakaran hutan dan lahan, sentinel – 2, machine learning, uji akurasi geometrik