Pemetaan Distribusi Hutan Mangrove Menggunakan Algoritma Machine Learning di Kawasan Hutan Mangrove Petengoran
Abstrak
AbstrakHutan mangrove Petengoran adalah ekowisata mangrove di Provinsi Lampung yang terancam punah karna meningkatnya aktivitas pengunjung. Sehingga, informasi persebaran mangrove sangat diperlukan untuk tujuan konservasi. Dewasa ini, banyak peneliti memanfaatkan teknologi pengindraan jauh untuk pemetaan mangrove menggunakan algoritma machine learning. Penelitian ini bertujuan untuk membandingkan algoritma support vector machine (SVM) dan random forest (RF) untuk pemetaan mangrove menggunakan komposit RGB dan NDVI pada citra Sentinel 2A. Hasil penelitian menunjukkan bahwa algoritma RF memberikan akurasi yang lebih tinggi dibandingkan dengan SVM dibuktikan dengan nilai akurasi keseluruhan dan indeks kappa RF sebesar 92,68% dan 0,88, sedangkan pada SVM sebesar 91,86% dan 0,87. Meski demikian, terdapat kesalahan klasifikasi hutan mangrove di kedua algoritma. Hal tersebut disebabkan oleh kemiripan spektral jenis tanaman dan tidak adanya efek topografi. Sehingga, penelitian selanjutnya diharapkan dapat menambahkan efek topografi untuk mendapatkan akurasi yang lebih baik.
AbstractThe Petengoran is mangrove ecotourism in Lampung Province which is threatened with extinction due to increased community activity. Thus, information on the distribution of the Petengoran mangroves is needed for conservation. Many researchers use remote sensing technology to map mangroves using machine learning algorithms. This study aims to compare SVM and random forest RF algorithms for mapping mangroves using RGB and NDVI composites on Sentinel 2A imagery. The results showed that the RF algorithm provides higher accuracy compared to SVM. This is evidenced by the overall accuracy value and RF kappa index of 92.68% and 0.88, while the SVM is 91.86% and 0.87. However, there is a misclassification of mangrove forests in both algorithms. This is due to the spectral similarity of vegetation and no topographical effect. Thus, future research is expected to add topographical effects to obtain higher accuracy.