Analisis Data Citra Landsat 8 OLI Sebagai Indeks Prediksi Kekeringan Menggunakan Machine Learning di wilayah Kabupaten Boyolali dan Purworejo
| Main Author: | Christianto, Yansen Bagas |
|---|---|
| Other Authors: | Prasetyo, Sri Yulianto Joko |
| Format: | Thesis application/pdf |
| Bahasa: | ind |
| Terbitan: |
Program Studi Teknik Informatika FTI-UKSW
, 2020
|
| Subjects: | |
| Online Access: |
https://repository.uksw.edu/handle/123456789/20372 |
Daftar Isi:
- Tidak diizinkan karya tersebut diunggah ke dalam aplikasi Repositori Perpustakaan Universitas.
- Bencana kekeringan merupakan salah satu bencana yang tidak dapat di hindari lagi keberadaannya. Berdasarkan data dari tahun 1815 sampai tahun 2015 telah terjadi 382 kejadian. Berdasarkan kajian BNPB Kabupaten Boyolali dan Kabupaten Purworejo memiliki resiko tinggi terpapar bencana kekeringan. Untuk itu perlu adanya informasi wilayah resiko bencana kekeringan. Penggunaan data citra satelit Landsat 8 OLI sebagai media informasi vegetasi dan pendekatan Machine Learning untuk menganalisa data ekstraksi pada citra satelit berupa indeks vegetasi. Indeks vegetasi yang di gunakan yaitu NDVI, VCI, VHI, dan TCI dengan implementasi metode XGBoost dan Random Forest untuk mendapatkan hasil prediksi. Hasil yang diperoleh dengan menggunakan perhitungan metode XGBoost ada total 9 kecamatan yang diprediksi terkena bencana kekeringan sangat parah, dan 9 kecamatan dengan metode Random Forest terindikasi kekeringan sangat parah. metode XGBoost memiliki nilai akurasi 0.8286 dan nilai kappa 0.6477 dan metode Random Forest memiliki nilai akurasi 0.6857 dan Nilai Kappa 0.3699. dimana semakin tinggi nilai akurasi dan kappa semakin tepat hasil prediksi yang dilakukan.
- The drought is one of the inevitable disasters. Based on data from 1815 to 2015, 382 events occurred. Based on BNPB studies in Boyolali and Purworejo districts they have a high risk of exposure to drought. For this reason, information on the risk of drought disaster areas is needed. The use of Landsat 8 OLI satellite imagery data as vegetation information media and the Machine Learning approach to analyze extraction data on satellite imagery in the form of vegetation index. Vegetation indexes used are NDVI, VCI, VHI, and TCI with the implementation of the XGBoost and Random Forest methods to get predictive results. The results obtained by using the XGBoost method count total 9 districts which are predicted to be hit by a very severe drought, and 9 districts using the Random Forest method indicate a very severe drought. XGBoost method has an accuracy value of 0.8286 and a kappa value of 0.6477 and the Random Forest method has an accuracy value of 0.6857 and a Kappa Value of 0.3699. where the higher the accuracy and kappa values the more accurate the results of the predictions made.