Pemanfaatan google earth engine untuk pemantauan lahan agroforestri dalam skema perhutanan sosial

https://doi.org/10.22146/mgi.73923

Ahmad Rizaldi(1*), Arief Darmawan(2), Hari Kaskoyo(3), Agus Setiawan(4)

(1) Fakultas Pertanian, Universitas Lampung, Meneng Kedaton, Bandar Lampung
(2) Fakultas Pertanian, Universitas Lampung, Meneng Kedaton, Bandar Lampung
(3) Fakultas Pertanian, Universitas Lampung, Meneng Kedaton, Bandar Lampung
(4) Fakultas Pertanian, Universitas Lampung, Meneng Kedaton, Bandar Lampung
(*) Corresponding Author

Abstract


Abstrak. Strategi pengelolaan hutan secara agroforestri dalam skema Perhutanan Sosial (PS)  perlu dipantau menggunakan  teknologi penginderaan jauh. Teknologi analisis citra penginderaan jauh dan teknologi informasi saat ini telah berkembang ke dalam penggunaan cloud computing dan Big Data seperti platform Google Earth Engine (GEE) yang membuat perolehan data turunan citra satelit seperti tutupan lahan menjadi sangat cepat. Makalah ini bertujuan untuk menganalisis citra satelit multiwaktu menggunakan platform GEE dengan algoritma Random Forest (RF) dan Classification and Regression Trees (CART) dalam konteks pemantauan program perhutanan sosial. Hasil uji penilaian akurasi klasifikasi menunjukkan bahwa algoritma RF memiliki hasil akurasi lebih baik dengan nilai overall accuracy sebesar 94,64% dan kappa accuracy sebesar 92,23% dibandingkan dengan algoritma CART yang mendapatkan nilai overall accuracy sebesar 89,77% dan nilai kappa accuracy sebesar 85,54%. Penggunaan platform google earth engine untuk pemantauan skema PS terbukti berhasil di beberapa daerah dalam penerapan mitigasi peningkatan deforestasi dan degradasi hutan.

 

 Abstract. Agroforestry forest management needs to be carried out and monitored using remote sensing technology. The latest development related to remote sensing technology today is using cloud computing and Big Data such as the Google Earth Engine (GEE), which makes the acquisition of derived data from satellite imagery such as land cover very quickly. This paper aims to analyze multi-time satellite imagery using GEE with Random Forest (RF) and Classification and Regression Trees (CART) algorithms. The results show that the RF algorithm has better classification accuracy with an overall accuracy value of 94.64% and kappa accuracy of 92.23% compared to the CART algorithm which gets an overall accuracy value of 89.77% and kappa accuracy value of 85.54%. The use of GEE platform for monitoring PS schemes has proven successful in several areas in implementing mitigation of increased deforestation and forest degradation.

 



Keywords


Social Forestry, Land Cover, Google Earth Engine, Random Forest, Classification and Regression Trees

Full Text:

PDF


References

Ahmada, S. (2013). Monitoring Luas Hutan Rakyat Berdasarkan Citra Landsat: Kasus di Kecamatan Cikalong, Kabupaten Tasikmalaya, Jawa Barat. Skripsi. Manajemen Hutan, Institut Pertanian Bogor. 72pp.

Amalia, R.N. dan Afiff, S.A. (2017). Dinamika Keberlangsungan Kelompok Pengusul HKm Sepakat, Pangkalan Bun, Kalimantan Tengah. Jurnal Ilmu Sosial Mamangan 6(1): 1-10.

Awaliyan, M. R. dan Sulistioadi, Y.B. (2018). Klasifikasi Penutupan Lahan Pada Citra Satelit Sentinel 2A dengan Metode Tree Algorithm. ULIN: Jurnal Jutan Tropis 2(2): 98-104.

Azhar, M. dan Pardede, H.F. (2021). Klasifikasi Dialek Pengujar Bahasa Inggris Menggunakan Random Forest. Jurnal Media Informatika Budidarma 5(2): 439-446.

Cahyono, B. E., Febriawan, E. B. dan Nugroho, A. T. (2019). Analisis Tutupan Lahan Menggunakan Metode Klasifikasi Tidak Terbimbing Citra Landsat di Sawahlunto, Sumatera Barat. Jurnal Teknotan 13(1): 8-14.

Damanhuri, Y.A. (2021). Pemenuhan Hak Konstitusional untuk Warga Negara Indonesia Melalui Program Perhutanan Sosial. Dharmasisya 1(3): 1655-1668.

Damanik, S.E. dan Purba, S. (2019).Perencanaan Pola Kemitraan dalam Peningkatan Kesejahteraan Petani KPH XIII Kawasan Dolok Sanggul Kabupaten Humbang Hasundutan. Sebatik 23(2): 582-591.

Danoedoro, P., Kristian, G. dan Rahmi, K. N. I. (2015). Pengaruh Metode Koreksi Radiometrik Citra ALOS AVNIR 2 Terhadap Akurasi Hasil Estimasi Karbon Vegetasi Tegakan di Wilayah Kota Semarang Bagian Timur. Prosiding Pertemuan Ilmiah Tahunan XX dan Kongres VI MAPIN 2015 Perkembangan Penginderaan Jauh di Indonesia Dan Pemanfaatannya untuk Perencanaan Wilayah, Pengelolaan DAS, dan Mitigasi Bencana Alam Volume: 1.

Dwiputra, J. A., Suharyadi, R. dan Danoedoro, P. (2016). Pengaruh Jumlah Kelas dan Skema Klasifikasi Terhadap Akurasi Informasi Pengguna Lahan Hasil Klasifikasi Berbasis Objek Dengan Teknik Support Vector Machine di Sebagian Kabupaten Kebumen Provinsi Jawa Tengah. Majalah Geografi Indonesia. 30(2): 120-133.

Firmansyah, S., Gaol, J. dan Susilo, S. B. (2019). Perbandingan klasifikasi SVM dan Decision Tree untuk pemetaan Mangrove Berbasis Objek Menggunakan Citra Sentinel 2B di Gili Sulat, Lombok Timur. Journal of Natural Resources and Environtmental Management 9(3): 746 – 757.

Fitriawan, D. (2020). Uji Akurasi Terbimbing Berbasis Piksel Pada Citra Sentinel 2 A Menggunakan Citra Tegak Resolusi Tinggi Tahun 2009 di Kota Padang. Jurnal Azimut 3(1): 21-27.

Gautama, I. (2007). Studi Sosial Ekonomi Masyarakat Pada Sistem Agroforestry di Desa Lasiwala Kabupaten Sidrap. Jurnal Hutan dan Masyarakat. 2(3): 319-328.

Gunawan, H. dan Afriyanti, D. (2019). Potensi Perhutanan Sosial dalam Meningkatkan Partisipasi Masyarakat dalam Restorasi Gambut. Jurnal Ilmu Kehutanan 13(2): 227-236.

Hasan, M. F., Parman, S. dan Aji, A. (2016). Sebaran Spasial Lahan Kritis untuk Prioritas Rehabilitasi Berbasis Sistem Informasi Geografis dan Penginderaan Jauh di DAS Juwana Hulu Muria. Jurnal Geo Image. 5(1): 1-5.

Julianto, F. D., Putri, D.P.D. dan Safi’i, H.H. (2020). Analisis Perubahan Vegetasi dengan Data Sentinel – 2 menggunakan Google Earth Engine (Studi Kasus Provinsi Daerah Istimewa Jakarta). Jurnal Penginderaan Jauh Indonesia Agustus 2020 2(2): 13-18.

Kusumarini, A. I., Hogantara, P. A., Fadhlurohman, M. dan Chamidah, N. (2021). Perbandingan Algoritma Random Forest, Naïve Bayes, dan Decision Tree dengan oversampling untuk klasifikasi bakteri E. Coli. Seminar Nasional Mahasiswa Ilmu Komputer dan Aplikasinya (SENAMIKA).

KPH Batutegi (Kesatuan Pengelolaan Hutan Batutegi). (2014). Rencana Pengelolaan Hutan Jangka Panjang (RPHJP) Kesatuan Pengelolaan Hutan Lindung (KPHL) Batutegi Tahun 2014-2023. Buku. Dinas Kehutanan Provinsi Lampung. Lampung.

Komariah, N., Nugroho, S. dan Rizal, J. (2018). Classification and Regression Trees (CART) Analysis Pada Penderita Skizofrenia di RSJKO Soeprapto Daerah Bengkulu. E - Jurnal Statistika

Laksemi, N. P. S. T., Sulistyawati, E. dan Mulyaningrum. (2019). Perhutanan Sosial Berkelanjutan di Provinsi Bali (Studi Kasus di Hutan Desa Wanagiri). Jurnal Sylva Lestari 7(2): 150-163.

Nugroho, G., Rarasati, A. dan Kushardono, D. (2019). Penyediaan Informasi Geospasial Berbasis Cloud Computing Data Penginderaan Jauh. Inderaja. 10(12): 32-40.

Perwitagama, C. B., Hadi, M. P. dan Farda, N. M. (2015). Metode CTA dengan Teknik Data Mining Citra Landsat 8 untuk Kalsifikasi Penggunaan Lahan. Majalah Geografi Indonesia. 29(2): 117-131.

Santoso, A., dan Ariyanto, G. (2018). Implementasi Deep Learning Berbasis Keras Untuk Pengenalan Wajah. Emitor: Jurnal Teknik Elektro 18(01): 15–21. DOI: 10.23917/emitor.v18i01.6235

Subarno. (2020). Menerapkan Cloud Masking dan Reducer Median untuk Membuat Komposit Landsat 8 yang Bersih dari Awan (GEE -014). Diakses pada tanggal 7 Desember 2021 dari https://spatialmate.com/menerapkan-cloud-masking-dan-reducer-median-untuk-membuat-komposit-landsat-8-yang-bersih-dari-awan-gee-14/.

Sumartini, S.H. dan Purnami, S.W. (2015). Penggunaan Metode Classification and Regression Trees (CART) untuk Klasifikasi Rekurensi Pasien Kanker Serviks di RSUD Dr. Soetomo Surabaya. Jurnal Sains dan Seni ITS 4(2): 211-216.

Tanjung, R.H. dan Kartiko. (2017). Penerapan Metode CART (Classification and Regression Trees) untuk Menentukan Faktor Faktor Yang Mempengaruhi Pembayaran Kredit oleh Nasabah (Studi Kasus Bank BRI Unit Aek Tarum – Sumatera Utara). Jurnal Statistika Industri dan Komputasi 2(2): 78-83.

Tosiani, A. (2020). Akurasi Data Lahan Penutupan Nasional Tahun 1990-2016. Buku. Direktorat Inventarisasi dan Pemantauan Sumber Daya Hutan, Ditjen Planologi Kehutanan dan Tata Lingkungan, Kementrian Lingkungan Hidup dan Kehutanan. 41pp.

Triscowati, D. W., Buana, W. P. dan Marsuhandi, A. H. (2021). Pemetaan Potensi Lahan Jagung Menggunakan Citra Satelit Dan Random Forest Pada Cloud Computing Google Earth Engine. Prodising Seminar Nasional Official Statistics 2021.

Unteawati, B., Fitriani, dan Zaini, M. (2015). Kajian Sosial Ekonomi Masyarakat Pemanfaat Kawasan Hutan Lindung REG. 20. Kabupaten Pesawaran. Prosiding Seminar Nasional Swamsembada Pangan. 382 – 391.

Wardhana, W., Sartohadi, J., Rahayu, L. dan Kurniawan, A. (2015). Analisis Transisi Lahan di Kabupaten Gunungkidul dengan Citra Penginderaan Jauh Multi Temporal. Jurnal Ilmu Kehutanan. 6(2): 89-102.

Zulfajri, Danoedoro, P. dan Murti, S. H. (2021). Klasifikasi Tutupan Lahan Data Landsat 8 OLI Menggunakan Metode Random Forest. Jurnal Penginderaan Jauh Indonesia 3(11): 1-7.



DOI: https://doi.org/10.22146/mgi.73923

Article Metrics

Abstract views : 802 | views : 28

Refbacks

  • There are currently no refbacks.




Copyright (c) 2023 Ahmad Rizaldi, Arief Darmawan, Hari Kaskoyo, Agus Setiawan

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.


 

Accredited Journal, Based on Decree of the Minister of Research, Technology and Higher Education, Republic of Indonesia Number 164/E/KPT/2021

Volume 35 No 2 the Year 2021 for Volume 40 No 1 the Year 2025

ISSN  0215-1790 (print) ISSN 2540-945X  (online)

 

website statistics Statistik MGI