PREDIKSI PERUBAHAN HUTAN MANGROVE BERDASARKAN DATA TUTUPAN LAHAN YANG TELAH TERSEGMENTASI MENGGUNAKAN ALGORITMA RANDOM FOREST DI KABUPATEN MALANG - Dalam bentuk buku karya ilmiah

DANISH HASNA AYUDYA

Informasi Umum

Kode

25.04.1130

Klasifikasi

000 - General Works

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Machine Learning

Dilihat

219 kali

Informasi Lainnya

Abstraksi

Hutan mangrove memiliki peran yang sangat penting bagi ekosistem di sekitarnya. Namun, konversi lahan, aktivitas manusia, serta perubahan iklim telah menyebabkan deforestasi yang signifikan, termasuk di wilayah Pantai Selatan, Kabupaten Malang. Pemantauan perubahan tutupan lahan menjadi sangat penting untuk mengidentifikasi ancaman ini dan merancang strategi konservasi yang lebih efektif. Namun, keterbatasan akses terhadap data penginderaan jauh, seperti citra satelit, menjadi kendala dalam analisis yang lebih mendalam. Oleh karena itu, penelitian ini memanfaatkan algoritma Random Forest untuk memprediksi perubahan tutupan hutan mangrove berdasarkan peta tutupan lahan yang telah tersegmentasi dengan fitur yang terbatas melalui pendekatan rekayasa fitur. Proses rekayasa fitur dilakukan dengan mengekstraksi informasi spasial dan temporal dari fitur dasar untuk memperkaya representasi data. Dataset terdiri dari 16 titik pantai dengan data tahunan dari 2018 hingga 2023. Data diuji dalam tiga skenario pembagian data berdasarkan titik pantai yaitu 12:4, 13:3, dan 14:2, dan diklasifikasikan menjadi lima kelas, yaitu perubahan hutan, hutan mangrove, perairan, permukiman, dan tambak. Hasil penelitian menunjukkan bahwa skenario 12 area latih dan 4 area uji memberikan performa terbaik, dengan accuracy 99,10%, serta macro-average precision 94%, recall 97%, dan f1-score 95%. Model berhasil mengidentifikasi hutan mangrove dengan sangat baik, tetapi menghadapi tantangan dalam mendeteksi penurunan hutan. Maka dari itu, penelitian ini merekomendasikan beberapa langkah untuk peningkatan akurasi prediksi di masa depan yaitu dengan penggabungan data spasial dari sumber lain seperti data satelit atau indeks vegetasi serta eksplorasi model deep learning untuk membandingkan pendekatan yang lebih efektif dalam mengklasifikasikan perubahan tutupan lahan.