Kata Kunci
Klasifikasi
SVM
Gambut
Remote Sensing
Abstrak
Kebakaran hutan telah menjadi bencana tahunan di Indonesia, yang berdampak pada degradasi lahan. Kebakaran hutan banyak terjadi di lahan gambut. Pada bulan Agustus 2019 terdeteksi sebanyak 810 hotspot di Provinsi Jambi. Informasi luas area kebakaran diperlukan untuk menentukan kebijakan dalam pengelolaan hutan dan lahan. Informasi mengenai luas area kebakaran sulit didapatkan dari pengukuran lapangan karena area yang luas dan tidak mudah diakses. Data Landsat merupakan salah satu jenis citra dari teknologi remote sensing yang dapat digunakan untuk memetakan luas area kebakaran. Salah satu metode yang sering digunakan untuk mengestimasi luas area kebakaran adalah dengan teknik interpretasi visual on screen. Namun, teknik ini memerlukan tenaga interpreter yang berpengalaman. Untuk itu, pada makalah ini digunakan teknik interpretasi digital menggunakan algoritme Support Vector Machine (SVM) untuk mengklasifikasikan area kebakaran di Kabupaten Muaro Jambi pada ekosistem gambut indikatif fungsi lindung, kemudian menghitung estimasi luasan lahan vegetasi, lahan terbuka, dan area terbakar. Makalah ini menghasilkan klasifikasi dengan akurasi sebesar 99,8%. Estimasi luas gambut berdasarkan klasifikasi SVM pada tanggal 15 Agustus 2019 adalah 1.396,89 ha teridentifikasi sebagai area terbakar, 7.069,5 ha adalah area vegetasi, dan 1.089,54 ha merupakan area lahan terbuka.
Referensi
(2019) “Angka Deforestasi Sebagai ‘Alarm’ Memburuknya Hutan, [Online], https://fwi.or.id/wp-content/uploads/2019/10/FS_Deforestasi _FWI_small.pdf, tanggal akses: 15-Sep-2020.
L. Syaufina, “Forest and Land Fires in Indonesia: Assessment and Mitigation,” dalam Integrating Disaster Science and Management, P. Samui, D. Kim, dan C. Ghosh, Eds., Amsterdam, Netherlands: Elsevier, 2018, hal. 109–121.
W.C. Adinugroho, I.N.N. Suryadiputra, B.H. Saharjo, dan L. Siboro, Panduan Pengendalian Kebakaran Hutan dan Lahan Gambut. Bogor, Indonesia: Wetlands International - Indonesia Programme dan Wildlife Habitat Canada, 2005.
Suwarsono, Rokhmatuloh., dan T. Waryono, “Pengembangan model identifikasi daerah bekas kebakaran hutan dan lahan (burned area) menggunakan citra MODIS di Kalimantan,” J. Penginderaan Jauh dan Pengolahan Data Citra Digital, Vol. 10, No. 2, hal. 93-112, 2013.
D. Kosasih, M.B. Saleh, dan L.B. Prasetyo, “Visual and Digital Interpretations for Land Cover Classification in Kuningan District, West Java,” J. Ilmu Pertan. Indones., Vol. 24, No. 2, hal. 101–108, 2019.
U. Khaira, I.S. Sitanggang, dan L. Syaufina, “Detection and Prediction of Peatland Cover Changes Using Support Vector Machine and Markov Chain Model,” TELKOMNIKA (Telecommunication Comput. Electron. Control), Vol. 14, No. 1, hal. 294-301, 2016.
P. Thariqa, I.S. Sitanggang, dan L. Syaufina, “Comparative Analysis of Spatial Decision Tree Algorithms for Burned Area of Peatland in Rokan Hilir Riau,” TELKOMNIKA (Telecommunication Comput. Electron. Control), Vol. 14, No.2, hal. 684-691, 2016.
C. Pennington, “Burn Scar Mapping in the Sabine National Wildlife Refuge Using Landsat TM and ETM+ Imagery,” Thesis, Louisiana State University, Baton Rouge, USA, 2006.
I. Prasasti, R. Boer, M. Ardiansyah, A. Buono, dan L. Syaufina, “Analisis Hubungan Kode-Kode SPBK (Sistem Peringkat Bahaya Kebakaran) dan Hotspot dengan Kebakaran Hutan dan Lahan di Kalimantan Tengah,” J. Nat. Resour. Environ. Manag., Vol. 2, No. 2, hal. 91-101, 2012.
C. Huang, L.S. Davis, dan J.R.G. Townshend, “An Assessment of Support Vector Machines for Land Cover Classification,” Int. J. Remote Sens., Vol. 23, No. 4, hal. 725-749, 2002.
A.T. Azar dan S.A. El-Said, “Performance Analysis of Support Vector Machines Classifiers in Breast Cancer Mammography Recognition,” Neural Comput. Appl., Vol. 24, No. 5, hal. 1163-1177, 2014.
C. Pitoy, “Metode Support Vector Machines pada Klasterisasi K-Means Data Nonlinear Separable,” Frontiers: Jurnal Sains Dan Teknologi., Vol. 2, No. 1, hal. 71–77, 2010.
J. Weston, S. Mukherjee, O. Chapelle, M. Pontil, T. Poggio, dan V. Vapnik, “Feature Selection for SVMs,” Proc. Advances in Neural Information Processing Systems, 2001, hal. 668-674.
L.I. Kuncheva, Combining Pattern Classifiers. Hoboken, USA: John Wiley & Sons, Inc., 2014.
M.Z. Lubis, H.M. Taki, W. Anurogo, D.S. Pamungkas, P. Wicaksono, dan T. Aprilliyanti, “Mapping the Distribution of Potential Land Drought in Batam Island Using the Integration of Remote Sensing and Geographic Information Systems (GIS),” IOP Conference Series: Earth and Environmental Science, Vol. 98, The 5th Geoinformation Science Symposium, 2017, hal. 1-8.
L.S. Wijedasa, S. Sloan, D.G. Michelakis, dan G.R. Clements, “Overcoming Limitations with Landsat Imagery for Mapping of Peat Swamp Forests in Sundaland,” Remote Sens., Vol. 4, No. 9, hal. 2595-2618, 2012.
I.H. Witten, E. Frank, M.A. Hall, dan C.J. Pal, Data Mining: Practical Machine Learning Tools and Techniques, Burlington, USA: Morgan Kaufmann, 2011.
P. Lameski, E. Zdravevski, R. Mingov, dan A. Kulakov, “SVM Parameter Tuning with Grid Search and Its Impact on Reduction of Model Over-fitting,” dalam Rough Sets, Fuzzy Sets, Data Mining, and Granular Computing. Lecture Notes in Computer Science, Vol. 9437, Y. Yao, Q. Hu, H. Yu, J.W. Grzymala-Busse, Eds., Cham, Switzerland: Springer, 2015, hal. 464–474.
F. Yuan, K.E. Sawaya, B.C. Loeffelholz, dan M.E. Bauer, “Land Cover Classification and Change Analysis of the Twin Cities (Minnesota) Metropolitan Area by Multitemporal Landsat Remote Sensing,” Remote Sens. Environ., Vol. 98, No. 2, hal. 317–328, Okt. 2005.