Pemetaan Perubahan Penutup Lahan Di Sub-DAS Kreo Menggunakan Machine Learning Pada Google Earth Engine

Autor: Fitri Daeni, Habil Sultan, Trida Ridho Fariz
Rok vydání: 2021
Předmět:
Zdroj: Jurnal Sumberdaya Alam dan Lingkungan, Vol 8, Iss 2, Pp 85-92 (2021)
ISSN: 2655-9676
2356-3389
DOI: 10.21776/ub.jsal.2021.008.02.4
Popis: Informasi penutup lahan merupakan data yang sangat penting dalam pengelolaan Daerah Aliran Sungai (DAS). Tantangan dalam penyediaan informasi penutup lahan di DAS Kreo adalah tutupan awan dan cangkupan areanya yang cukup luas. Hadirnya platform pengolahan data spasial berbasis cloud yaitu Google Earth Engine (GEE) bisa menjawab tantangan tersebut. Oleh karena itu penelitian ini bertujuan untuk memetakan penutup lahan di DAS Kreo menggunakan klasifikasi berbasis machine learning pada GEE. Proses pemetaan penutup lahan di DAS Kreo menggunakan citra satelit Landsat 8 dan DEM SRTM. Input data yang digunakan antara lain band 1 sampai 7 pada citra Landsat 8, transformasi NDVI dan NDBI serta nilai elevasi dari DEM SRTM. Adapun tahun yang dipilih adalah tahun 2015 dan 2020 dengan machine learning yang diujikan meliputi CART, Random forest dan Voting SVM. Hasil penelitian ini menunjukkan bahwa machine learning yang terbaik dalam memetakan penutup lahan di DAS Kreo adalah Random forest. Penelitian ini masih terdapat banyak keterbatasan terutama kelas penutup lahan yang dipetakan. Kata kunci: Google Earth Engine, klasifikasi multispektral, machine learning, penutup lahan ABSTRACT Land cover information is very important data in watershed management. The challenge in providing land cover information in the Kreo watershed is cloud cover and its wide area coverage. The presence of a cloud-based spatial data processing platform, namely Google Earth Engine (GEE) can answer these challenges. Therefore, this study aims to map land cover in the Kreo watershed using machine learning based classification on GEE. The land cover mapping process in the Kreo watershed uses Landsat 8 satellite imagery and DEM SRTM. The input data used include bands 1 to 7 on Landsat 8 imagery, NDVI and NDBI transformations as well as elevation values from DEM SRTM. The selected years are 2015 and 2020 with machine learning being tested including CART, Random forest and SVM Voting. The results of this study indicate that the best machine learning in mapping land cover in the Kreo watershed is Random forest. There are still many limitations in this research, especially the land cover class being mapped. Keywords: Google Earth Engine, multispectral classification, machine learning, land cover
Databáze: OpenAIRE
Externí odkaz: