Implementasi Algoritme Support Vector Machines untuk Klasifikasi Area Terbakar di Lahan Gambut

Abstract

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.

Application of Support Vector Machine on Drought Code Classification in North Sumatra Indonesia

“…DC has four class classifications namely low, moderate, high and extreme [6]. Classification is a technique in the field of data mining that is used in making predictive models to produce new data [7]. The Support Vector Machine (SVM) method developed by Boser, Guyon, and Vapnik can be used to classify DC ratings.…”