IMPLEMENTASI RANDOM FOREST CLASSIFIER PADA CITRA SATELIT SENTINEL-2 UNTUK PEMETAAN LAHAN VEGETASI KABUPATEN SLEMAN

Arrahman, Abdul Malik (2023) IMPLEMENTASI RANDOM FOREST CLASSIFIER PADA CITRA SATELIT SENTINEL-2 UNTUK PEMETAAN LAHAN VEGETASI KABUPATEN SLEMAN. Diploma thesis, Universitas Pembangunan Nasional "Veteran" Yogyakarta.

	Text COVER.pdf Download (154kB)
	Text ABSTRAK.pdf Download (62kB)
	Text DAFTAR ISI.pdf Download (178kB)
	Text DAFTAR PUSTAKA.pdf Download (197kB)
	Text PENGESAHAN PEMBIMBING.pdf Download (1MB)
	Text PENGESAHAN PENGUJI.pdf Download (1MB)
	Text PENGESAHAN PENGUJI.pdf Download (1MB)
	Text SKRIPSI FULL_ABDUL MALIK ARRAHMAN_123170058.pdf Restricted to Repository staff only Download (3MB)

Abstract

Parameter Tuning merupakan sebuah tahapan optimasi pada proses pembentukkan
model machine learning. Probst et al. (2019) menjelaskan bahwa proses penggunaan package
dari R berdampak kecil terhadap model Random Forest. Wu et al. (2019) menggunakan
Algoritma Grid Search yang mana menghasil peningkatan accuracy tapi memakan waktu yang
cukup lama selama prosesnya. Yang & Shami (2020) menerapkan beberapa algoritma optimasi
parameter yang meningkatkan akurasi hanya sebesar 3 dan diperlukan berbagai macam
package external dari python untuk melakukan pengujian dan juga memakan waktu yang
cukup lama untuk proses pemasangan dan pengujian package. Tsai et al. (2018) menggunakan
Brute Force untuk mencari Parameter dengan nilai accuracy tertinggi, tapi accuracy model
kurang bagus.
Random Forest dipilih karena memiliki nilai accuracy yang besar, bagus dalam
menangani outliers dan noise serta mampu mengestimasikan error dan feature importance
(Brovelli, 2020) dan juga mampu menangani data yang berjumlah besar, memiliki banyak
features dan parameters serta tidak sensitif terhadap overfitting (Triscowati et al., 2020).
Parameter pada Random Forest Classifier dapat diatur dan dapat secara langsung memengaruhi
kemampuan model machine learning, sehingga optimasi parameter diperlukan untuk
mencapai tingkat kinerja terbaik dari sebuah algoritma (Shaharum, 2020).
Penelitian ini bertujuan untuk menjelaskan dampak perubahan kombinasi features dan
nilai parameter pada model Random Forest Classifier untuk pemetaan lahan vegetasi di
Kabupaten Sleman. Pada penelitian ini data Sentinel 2 dan Dynamic World yang digunakan
diunduh dari Katalog Data milik Google Earth Engine. Indeks Vegatasi seperti NDVI dan EVI
ada sebagai features tambahan.
Pengujian dilakukan 4 kali dengan kombinasi features yang berbeda-beda yang
bertujuan untuk mencari accuracy terbaik. Pada masing-masing pengujian juga dilakukan
parameter tuning pada model Random Forest Classifier yang dibuat. Dari hasil percobaan,
kombinasi semua features yang ada (B1, B2, B3, B4, B5, B6, B7, B8, B8A, B9, B11, B12,
NDVI, dan EVI) memiliki accuracy yang lebih tinggi dibandingkan kombinasi feature yang
lain. Sedangkan accuracy tertinggi pada kombinasi semua features dicapai dengan
menggunakan parameter maxNodes = 50 dan numberOfTrees = 100. Accuracy yang dicapai
adalah 97.4% dan feature yang paling berpengaruh pada model ini adalah B1 (Aerosol).
Kata kunci: Lahan Vegetasi, Random Forest Classifier, Normalized Difference
Vegetation Index, Enhanced Vegetation Index

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Lahan Vegetasi, Random Forest Classifier, Normalized Difference Vegetation Index, Enhanced Vegetation Index
Subjects:	Q Science > Q Science (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eny Suparny
Date Deposited:	30 Aug 2023 04:34
Last Modified:	30 Aug 2023 04:34
URI:	http://eprints.upnyk.ac.id/id/eprint/37274

Actions (login required)

View Item