Perpustakaan Digital ITB

Indonesia merupakan negara produksi kopi terbesar ke empat di dunia. Secara statistik, luas perkebunan kopi di Indonesia adalah 1,2 juta ha dengan produksi sekitar 500 kg/ha. Permasalahan yang dihadapi dalam tata kelola perkebunan kopi adalah terbatasnya data dan informasi mengenai distribusi tanaman kopi. Pemetaan distribusi tanaman kopi merupakan hal penting untuk dilakukan. Pengindraan jauh merupakan salah satu metode yang dapat memberikan informasi pemetaan lahan. Random forest adalah salah satu algoritma pengindraan jauh yang handal dalam klasifikasi tutupan lahan. Penelitian ini bertujuan untuk memetakan tanaman kopi pada sistem agroforestri menggunakan klasifikasi random forest menggunakan data pengindraan jauh multisensor, multitemporal, dan multiresolusi dari Geoeye-1, Sentinel-2, dan DEMNAS. Data yang digunakan adalah 1) citra pansharp GeoEye-1, sebagai dasar klasifikasi yaitu untuk ekstraksi tekstur entropy, correlation, mean, standar deviation, dan contrass, 2) data multitemporal Sentinel-2, untuk indeks vegetasi NDVI, brightness, greenness, dan wetness, 3) data digital elevation model (DEM), untuk ekstraksi data elevasi, slope, dan aspek, dan 4) data foto udara sebagai referensi dalam pembuatan titik training dan titik testing. Klasifikasi menggunakan algoritma random forest diterapkan pada 29 variabel untuk mencari parameter optimal dan variable importance untuk pemetaan distribusi tanaman kopi. Hasil dari penelitian ini menunjukkan bahwa model klasifikasi random forest menggunakan parameter optimal (ntree: 1000, mtry: all variables, dan minimum node size: 6) dapat digunakan untuk identifikasi tanaman kopi memberikan akurasi keseluruhan, statistik kappa, akurasi produser, dan akurasi pengguna untuk pemetaan tanaman kopi berturut-turut sebesar 79,333%, 0,774, 92,000%, dan 90,790%. Disisi lain, klasifikasi random forest menggunakan 12 variabel terpenting juga memberikan akurasi produser, dan akurasi pengguna berturut-turut sebesar 79,333%, 0,774, 91,33%, dan 84,57%.