IMPLEMENTASI ALGORITMA SUPPORT VECTOR MACHINE UNTUK PEMETAAN LAHAN PRODUKSI (STUDI KASUS: KEBUN KELAPA SAWIT CIKASUNGKA, KABUPATEN BOGOR)

ULHAQ, SALMA DHIA (2020) IMPLEMENTASI ALGORITMA SUPPORT VECTOR MACHINE UNTUK PEMETAAN LAHAN PRODUKSI (STUDI KASUS: KEBUN KELAPA SAWIT CIKASUNGKA, KABUPATEN BOGOR). S1 thesis, Universitas Mercu Buana Jakarta.

Preview	Text (HAL COVER) 01 Cover.pdf Download (251kB) | Preview
	Text (BAB I) 02 Bab 1.pdf Restricted to Registered users only Download (128kB)
	Text (BAB II) 03 Bab 2.pdf Restricted to Registered users only Download (241kB)
	Text (BAB III) 04 Bab 3.pdf Restricted to Registered users only Download (93kB)
	Text (BAB IV) 05 Bab 4.pdf Restricted to Registered users only Download (557kB)
	Text (BAB V) 06 Bab 5.pdf Restricted to Registered users only Download (68kB)
	Text (DAFTAR PUSTAKA) 07 Daftar Pustaka.pdf Restricted to Registered users only Download (146kB)
	Text (LAMPIRAN) 08 Lampiran.pdf Restricted to Registered users only Download (90kB)

Abstract

The development of the palm oil industry in Indonesia is progressing well, based on the 2018 Indonesian palm oil statistics, land area and coconut production have increased from 10.75 million hectares in 2014, to 12.76 million hectares in 2018 and 29.28 million tons in 2014 to 36.59 million tons in 2018. Cikasungka Oil Palm Plantation, which is located in Sukaraksa Village, Cigudeg District, Bogor Regency, West Java is one of the palm oil producing areas that has good production potential with a land area of up to 3,8 hectares. Remote sensing technology with Landsat 8 satellite imagery is used to obtain land cover information which is then analyzed and processed using QGIS tools to obtain the Normalized Difference Vegetation Index (NDVI) value to distinguish vegetation into 2 spectral classes represented in red, green. The SVM method is a classification method in datamining that can be used for image classification. The accuracy of the SVM liner kernel depends on the selection of kernel parameters so that testing is carried out through the grid research stage to determine the best parameters from the 7,215pixel dataset which is divided into 75% training data and 25% testing data. The best parameter is obtained for the linear kernel, namely C = 4. Then to assess the performance of the algorithm method, the 5K fold test is carried out by dividing the sample randomly and grouping the data by the K-fold value. From the 5K-Fold test results, the average accuracy for the linear kernel is 99.6%. The results of the classification are evaluated using confusion matrix with an accuracy of 99,7% SVM Linear kernel has good accuracy results in land classification and the results of the cohen kappa are 99,3%, kappa can be interpreted as very satisfying (excellent) because the value of the Kappa coefficient κ> 0.75 Key words: Citra Landsat 8, Palm Oil, NDVI, QGIS, Support Vector Machine (SVM) Perkembangan industri kelapa sawit di Indonesia mengalami kemajuan yang baik, berdasarkan data statistik kelapa sawit Indonesia 2018, luas lahan dan produksi kelapa mengalami peningkatan dari 10,75 juta hektar pada tahun 2014, menjadi 12,76 juta hektar pada tahun 2018 dan 29,28 juta ton pada tahun 2014 menjadi 36,59 juta ton pada tahun 2018. Kebun Kelapa Sawit Cikasungka, yang berlokasi di Desa Sukaraksa, Kecamatan Cigudeg, Kabupaten Bogor, Jawa Barat merupakan salah satu daerah penghasil kelapa sawit yang memiliki potensi produksi baik dengan luas lahan mencapai 3,8 hektar. Teknologi penginderaan jauh dengan citra satelit landsat 8 digunakan untuk memperoleh informasi tutupan lahan yang kemudian di analisa dan diolah menggunakan tools QGIS hingga didapatkan nilai Normalized Difference Vegetation Index (NDVI) untuk membedakan vegetasi menjadi 2 kelas spektral yang direpresentasikan dengan warna merah, hijau. Metode SVM merupakan metode klasifikasi dalam datamining yang dapat digunakan untuk klasifikasi citra. Tingkat akurasi SVM liner kernel bergantung pada pemilihan parameter kernel sehingga dilakukan pengujian melalui tahap grid research untuk menentukan parameter terbaik dari 7.215 piksel dataset yang terbagi menjadi 75 % data pelatihan, dan 25% data pengujian. Parameter terbaik diperoleh untuk kernel linier yaitu C = 4. Kemudian untuk menilai unjuk kerja metode algoritma dilakukan pengujian 5K fold yaitu dengan membagi sampel secara acak dan mengelompokkan data sebesar nilai K-fold. Dari hasil pengujian 5K-Fold, akurasi rata-rata untuk kernel linier adalah 99,6%. Hasil klafikasi di evaluasi menggunakan confusion matrix dengan hasil akurasi 99,7% SVM Linear kernel memiliki hasil akurasi yang baik dalam mengklasifikasin lahan dan hasil koefisien cohen kappa sebesar 99,3%, kappa dapat diinterpretasikan dalam kategori sangat memuaskan (excellent) karena nilai koefisien Kappa κ>0.75 Kata kunci: Citra Landsat 8, Grid search, Kelapa Sawit, Koefisien Cohen Kappa, NDVI, QGIS, Support Vector Machine (SVM)

Actions (login required)

View Item