Pemetaan Perubahan Penutup Lahan Di Sub-DAS Kreo Menggunakan Machine Learning Pada Google Earth Engine

Trida Ridho Fariz, Fitri Daeni, Habil Sultan

Abstract


ABSTRAK

Informasi penutup lahan merupakan data yang sangat penting dalam pengelolaan Daerah Aliran Sungai (DAS). Tantangan dalam penyediaan informasi penutup lahan di DAS Kreo adalah tutupan awan dan cangkupan areanya yang cukup luas. Hadirnya platform pengolahan data spasial berbasis cloud yaitu Google Earth Engine (GEE) bisa menjawab tantangan tersebut. Oleh karena itu penelitian ini bertujuan untuk memetakan penutup lahan di DAS Kreo menggunakan klasifikasi berbasis machine learning pada GEE. Proses pemetaan penutup lahan di DAS Kreo menggunakan citra satelit Landsat 8 dan DEM SRTM. Input data yang digunakan antara lain band 1 sampai 7 pada citra Landsat 8, transformasi NDVI dan NDBI serta nilai elevasi dari DEM SRTM. Adapun tahun yang dipilih adalah tahun 2015 dan 2020 dengan machine learning yang diujikan meliputi CART, Random forest dan Voting SVM. Hasil penelitian ini menunjukkan bahwa machine learning yang terbaik dalam memetakan penutup lahan di DAS Kreo adalah Random forest. Penelitian ini masih terdapat banyak keterbatasan terutama kelas penutup lahan yang dipetakan.

Kata kunci: Google Earth Engine, klasifikasi multispektral, machine learning, penutup lahan

ABSTRACT

Land cover information is very important data in watershed management. The challenge in providing land cover information in the Kreo watershed is cloud cover and its wide area coverage. The presence of a cloud-based spatial data processing platform, namely Google Earth Engine (GEE) can answer these challenges. Therefore, this study aims to map land cover in the Kreo watershed using machine learning based classification on GEE. The land cover mapping process in the Kreo watershed uses Landsat 8 satellite imagery and DEM SRTM. The input data used include bands 1 to 7 on Landsat 8 imagery, NDVI and NDBI transformations as well as elevation values from DEM SRTM. The selected years are 2015 and 2020 with machine learning being tested including CART, Random forest and SVM Voting. The results of this study indicate that the best machine learning in mapping land cover in the Kreo watershed is Random forest. There are still many limitations in this research, especially the land cover class being mapped.

Keywords: Google Earth Engine, multispectral classification, machine learning, land cover


Keywords


Google Earth Engine; klasifikasi multispektral; machine learning; penutup lahan; multispectral classification; land cover

Full Text:

PDF

References


Effendi, E. (2008). Kajian model pengelolaan daerah aliran sungai (DAS) terpadu. Direktorat Kehutanan dan Konservasi Sumberdaya Air, Badan Perencanaan Pembangunan Nasional. Jakarta.

Farda, N. M. (2017). Multi-temporal land use mapping of coastal wetlands area using machine learning in Google earth engine. IOP Conference Series: Earth and Environmental Science, 98(1). Doi:10.1088/1755-1315/98/1/012042.

Farda, N. M. (2020). Image classification – Machine learning. Diakses pada 9 Julo 2021, dari code.earthengine.google.com/?accept_repo=users/farda/EE03.

Fariz, T. R. (2019). Penilaian kerentanan fisik rumah terhadap longsor berdasarkan interpretasi foto udara format kecil di Sub DAS Bompon, Kabupaten Magelang [tesis, Universitas Gadjah Mada]. Digital Library.

Fariz, T. R., & Nurhidayati, E. (2020). Mapping land coverage in the Kapuas Watershed using machine learning in Google Earth Engine. Journal of Applied Geospatial Information, 4(2), 390-395. Doi:10.30871/jagi.v4i2.2256.

Fariz, T. R., Permana, P. I., Daeni, F., Putra, A. C. P. (2021). Pemetaan ekosistem mangrove di Kabupaten Kubu Raya menggunakan machine learning pada Google Earth Engine. Jurnal Geografi: Media Informasi Pengembangan dan Profesi Kegeografian, 18(2).

Fauzi, R. M. Z., & Maryono, M. (2016). Kajian erosi dan hasil sedimen untuk konservasi lahan DAS Kreo Hulu. Jurnal Pembangunan Wilayah dan Kota, 12(4), 429-445.Doi:doi.org/10.14710/pwk.v12i4.13508.

Gorelick, N. (2021). Announcement: Old classifiers will stop working on March 1. Diakses pada 2 Juli 2021, dari http://goo.gle/deprecated-classifiers.

Hidayati, I. N. (2013). Pengaruh ketinggian dalam analisis kemasuk-akalan (plausibility function) untuk optimalisasi klasifikasi Penggunaan lahan. Majalah Ilmiah Globe, 15(1).

Mateo-García, G., Gómez-Chova, L., Amorós-López, J., Muñoz-Marí, J., & Camps-Valls, G. (2018). Multitemporal cloud masking in the Google Earth Engine. Remote Sensing, 10(7), 1079. Doi:doi.org/10.3390/rs10071079.

Maxwell, A. E., Warner, T. A., & Fang, F. (2018). Implementation of machine-learning classification in remote sensing: An applied review. International Journal of Remote Sensing, 39(9), 2784-2817. Doi:doi.org/10.1080/01431161.2018.1433343.

Pelletier, C., Valero, S., Inglada, J., Champion, N., & Dedieu, G. (2016). Assessing the robustness of Random forests to map land cover with high resolution satellite image time series over large areas. Remote Sensing of Environment, 187, 156-168.

Perdana, A. P. (2018). Tujuh DAS di Jawa Tengah kritis. Diakses pada 2 Juli 2021, dari kompas.id/baca/nusantara/2018/04/19/tujuh-das-di-jawa-tengah-kritis.

Poongothai, S., Sridhar, N., & Shourie, R. A. (2014). Change detection of land use/land cover of a watershed using sremote sensing and GIS. Inter. J. Engg. Adv., Tech, 3(6), 226-230.

Saraswati, G. F., Suprayogi, A., & Amarrohman, F. J. (2017). Analisis perubahan tutupan lahan Das Blorong terhadap peningkatan debit maksimum Sungai Blorong Kendal. Jurnal Geodesi Undip, 6(2), 90-98.

Setyowati, D. L., Amin, M., Suharini, E., & Pigawati, B. (2012). Model agrokonservasi untuk perencanaan pengelolaan Das Garang Hulu. TATALOKA, 14(2), 131-141. Doi:doi.org/10.14710/tataloka.14.2.131-141.

Shelestov, A., Lavreniuk, M., Kussul, N., Novikov, A., & Skakun, S. (2017). Exploring Google Earth Engine platform for big data processing: Classification of multi-temporal satellite imagery for crop mapping. Frontiers in Earth Science, 5, 17. Doi:doi.org/10.3389/feart.2017.00017.

Shih, H. C., Stow, D. A., & Tsai, Y. H. (2019). Guidance on and comparison of machine learning classifiers for Landsat-based land cover and land use mapping. International Journal of Remote Sensing, 40(4), 1248-1274.

Doi:doi.org/10.1080/01431161.2018.1524179.

Silitonga, Y. T., Sulardiono, B., & Purnomo, P. W. (2018). Peranan tata guna lahan bagian hulu terhadap kesuburan perairan pada Waduk Jatibarang, Semarang. Management of Aquatic Resources Journal (MAQUARES), 7(1), 39-48. Doi:doi.org/10.14710/marj.v7i1.22523.

Talukdar, S., Singha, P., Mahato, S., Pal, S., Liou, Y. A., & Rahman, A. (2020). Land-use land-cover classification by Machine learning classifiers for satellite observations—A review. Remote Sensing, 12(7), 1135. Doi:doi.org/10.3390/rs12071135.

Tamiminia, H., Salehi, B., Mahdianpari, M., Quackenbush, L., Adeli, S., & Brisco, B. (2020). Google Earth Engine for geo-big data applications: A meta-analysis and systematic review. ISPRS Journal of Photogrammetry and Remote Sensing, 164, 152-170.Doi:10.1016/j.isprsjprs.2020.04.001.

Tassi, A., Gigante, D., Modica, G., Di Martino, L., & Vizzari, M. (2021). Pixel vs. object-based Landsat 8 data classification in Google Earth Engine using Random forest: The case study of Maiella National Park. Remote Sensing, 13(12), 2299. Doi:doi.org/10.3390/rs13122299.

Yu, Z., Di, L., Yang, R., Tang, J., Lin, L., Zhang, C., Sun, Z. (2019). Selection of Landsat 8 OLI band combinations for land use and land cover classification in 2019 8th International Conference on Agro-Geoinformatics. Agro-Geoinformatics. 1-5. Doi:10.1109/Agro-Geoinformatics.2019.8820595.




DOI: http://dx.doi.org/10.21776/ub.jsal.2021.008.02.4

Refbacks

  • There are currently no refbacks.


Copyright (c) 2021 Jurnal Sumberdaya Alam dan Lingkungan