Identifikasi Penggunaan Lahan untuk Tanaman Pangan Berdasarkan Citra Multispektral dengan Kombinasi Multi-Layer Density Based Spatial Clustering of Applications with Noise dan Time-Weighted Dynamic Time Wrapping (Studi Kasus: Sampel Survei KSA di Provinsi
Total View This Week0
Total View This Week0
Institusion
Institut Teknologi Sepuluh Nopember
Author
Ferdiyansyah, Ahmad Rifan
Subject
G70.217 Geospatial data
Datestamp
2023-08-05 07:42:31
Abstract :
Ketersediaan data spasial dari lahan pertanian yang mutakhir akan mampu meningkatkan kualitas data statistik tanaman pangan di Indonesia. Akan tetapi, pemutakhiran data yang dilakukan melalui ground check umumnya memerlukan sumber daya yang cukup besar sehingga berbagai metode alternatif terus dikembangkan guna mengidentifikasi penggunaan lahan untuk pertanian. Salah satu alternatif untuk mengidentifikasi penggunaan lahan adalah dengan memanfaatkan data penginderaan jarak jauh menggunakan metode time-weighted Dynamic Time Wrapping (twDTW). Beberapa penelitian telah membuktikan bahwa penerapan metode twDTW dapat menghasilkan prediksi yang cukup akurat. Akan tetapi, penelitian tersebut masih terbatas pada wilayah yang tidak terlalu luas atau hanya terfokus pada satu jenis tanaman pangan saja. Ketika diterapkan pada area yang lebih luas dengan pola budidaya tanaman yang bervariasi, metode twDTW cenderung menghasilkan prediksi yang kurang akurat. Oleh sebab itu, dalam penelitian ini dilakukan prediksi penggunaan lahan di wilayah yang cukup luas dengan pola tanam yang bervariasi. Prediksi dilakukan dengan mengombinasikan metode Multi-Layer Density-Based Spatial Clustering of Applications with Noise (DBSCAN) untuk menangkap berbagai variasi pola tanam, diikuti dengan memprediksi penggunaan lahan menggunakan metode twDTW. Dalam penelitian ini, hasil prediksi menggunakan metode twDTW memiliki indeks kappa (0,2339) yang lebih tinggi dibandingkan jika menggunakan DTW (0,2299) atau euclidean (0,1444). Selain itu, ketika ketiga metode tersebut dikombinasikan dengan Multi-Layer DBSCAN maka indeks kappa dari prediksi semakin meningkat yaitu berturut-turut menjadi 0,3194; 0,2878; dan 0,2667, serta mampu mencapai akurasi sekitar 67,21%; 65,82%; dan 63,68%. =============================================================================================================================== Up-to-date information about land use from crops can improve the quality of agricultural statistical data in Indonesia. However, updating activities through ground checks generally requires considerable resources so that various alternative methods continue to be developed to identify land use for agriculture. One alternative to identify land use is to utilize remote sensing data using the time-weighted Dynamic Time Wrapping (twDTW) method. Several studies have proven that the application of the twDTW method can produce fairly accurate predictions. However, their studies are still limited to small areas or only focused on single food crop. When applied to a larger area with highly varied cropping patterns, the twDTW method tends to produce inaccurate predictions. Therefore, this study the predict land use in large areas with varied cropping patterns by combination method. This combination method involves creating subclasses using Multi-Layer DBSCAN to capture variations in cropping patterns, followed by predicting land use using the twDTW method. In this study, prediction results using the twDTW method have higher cohen kappa index (0,2339) than using DTW (0,2299) or euclidean (0,1444). In addition, when the three methods are combined with Multi-Layer DBSCAN, the cohen kappa index of the predictions increases to 0,3194; 0,2878; and 0,2667 with accuracy around 67,21%, 65,82%, and 63,68% respectively.
Ketersediaan data spasial dari lahan pertanian yang mutakhir akan mampu meningkatkan kualitas data statistik tanaman pangan di Indonesia. Akan tetapi, pemutakhiran data yang dilakukan melalui ground check umumnya memerlukan sumber daya yang cukup besar sehingga berbagai metode alternatif terus dikembangkan guna mengidentifikasi penggunaan lahan untuk pertanian. Salah satu alternatif untuk mengidentifikasi penggunaan lahan adalah dengan memanfaatkan data penginderaan jarak jauh menggunakan metode time-weighted Dynamic Time Wrapping (twDTW). Beberapa penelitian telah membuktikan bahwa penerapan metode twDTW dapat menghasilkan prediksi yang cukup akurat. Akan tetapi, penelitian tersebut masih terbatas pada wilayah yang tidak terlalu luas atau hanya terfokus pada satu jenis tanaman pangan saja. Ketika diterapkan pada area yang lebih luas dengan pola budidaya tanaman yang bervariasi, metode twDTW cenderung menghasilkan prediksi yang kurang akurat. Oleh sebab itu, dalam penelitian ini dilakukan prediksi penggunaan lahan di wilayah yang cukup luas dengan pola tanam yang bervariasi. Prediksi dilakukan dengan mengombinasikan metode Multi-Layer Density-Based Spatial Clustering of Applications with Noise (DBSCAN) untuk menangkap berbagai variasi pola tanam, diikuti dengan memprediksi penggunaan lahan menggunakan metode twDTW. Dalam penelitian ini, hasil prediksi menggunakan metode twDTW memiliki indeks kappa (0,2339) yang lebih tinggi dibandingkan jika menggunakan DTW (0,2299) atau euclidean (0,1444). Selain itu, ketika ketiga metode tersebut dikombinasikan dengan Multi-Layer DBSCAN maka indeks kappa dari prediksi semakin meningkat yaitu berturut-turut menjadi 0,3194; 0,2878; dan 0,2667, serta mampu mencapai akurasi sekitar 67,21%; 65,82%; dan 63,68%. =============================================================================================================================== Up-to-date information about land use from crops can improve the quality of agricultural statistical data in Indonesia. However, updating activities through ground checks generally requires considerable resources so that various alternative methods continue to be developed to identify land use for agriculture. One alternative to identify land use is to utilize remote sensing data using the time-weighted Dynamic Time Wrapping (twDTW) method. Several studies have proven that the application of the twDTW method can produce fairly accurate predictions. However, their studies are still limited to small areas or only focused on single food crop. When applied to a larger area with highly varied cropping patterns, the twDTW method tends to produce inaccurate predictions. Therefore, this study the predict land use in large areas with varied cropping patterns by combination method. This combination method involves creating subclasses using Multi-Layer DBSCAN to capture variations in cropping patterns, followed by predicting land use using the twDTW method. In this study, prediction results using the twDTW method have higher cohen kappa index (0,2339) than using DTW (0,2299) or euclidean (0,1444). In addition, when the three methods are combined with Multi-Layer DBSCAN, the cohen kappa index of the predictions increases to 0,3194; 0,2878; and 0,2667 with accuracy around 67,21%, 65,82%, and 63,68% respectively.
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
