Pemanfaatan Hasil Klasifikasi Citra Landsat-8 dengan Algoritma Random Forest dan Support Vector Machine untuk Menentukan Daerah Imbuhan Air Tanah (Studi Kasus: Kec. Singgahan dan Montong, Kab. Tuban)

Sanggam, Muhammad Ari (2023) Pemanfaatan Hasil Klasifikasi Citra Landsat-8 dengan Algoritma Random Forest dan Support Vector Machine untuk Menentukan Daerah Imbuhan Air Tanah (Studi Kasus: Kec. Singgahan dan Montong, Kab. Tuban). Other thesis, Institut Teknologi Sepuluh Nopember.

Text 03311940000047_Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 September 2025. Download (7MB) | Request a copy

Abstract

Manfaat air tanah yang sangat penting bagi masyarakat baik untuk memenuhi kebutuhan hidup hingga kegiatan sehari-hari, diiringi dengan pertumbuhan penduduk yang kian meningkat menyebabkan adanya peningkatan penggunaan air tanah. Oleh karena itu perlu adanya suatu informasi berupa peta sebaran daerah imbuhan air tanah. Dengan adanya peta sebaran ini diharapkan akan berguna bagi pemerintah dan masyarakat setempat untuk mengetahui lokasi sebaran air tanah sehingga tidak berubah fungsi untuk menjaga debit air tanah di wilayah tersebut. Metode yang dilakukan memanfaatkan citra Landsat-8 untuk melakukan klasifikasi dari tutupan lahan yang berada pada wilayah area studi. Pengolahan data tutupan lahan dilakukan menggunakan platform Google Earth Engine dengan algoritma yang digunakan adalah Random Forest (RF) dan Support Vector Machine (SVM). Kedua algoritma ini dipilih dikarenakan banyak digunakan pada metode Machine Learning untuk melakukan klasifikasi. Dari hasil klasifikasi citra Landsat-8 menggunakan algoritma RF dan SVM didapatkan 6 kelas tutupan lahan, yaitu badan air, sawah, pemukiman, ladang/tegalan, perkebunan, dan hutan. Nilai Overall Accuracy (OA) yang didapat dengan menggunakan RF adalah sebesar 99,6% dan nilai Kappa sebesar 0,994, sedangkan dengan menggunakan algoritma SVM didapatkan nilai OA sebesar 60,8% dan nilai kappa sebesar 0,423. Dari hasil penelitian ini klasifikasi tutupan lahan dengan nilai akurasi terbaik adalah dengan menggunakan algoritma RF yang nantinya digunakan untuk menentukan parameter tutupan lahan. Setelah itu akan dilakukan overlay dan pembobotan dengan parameter-parameter yang dapat menentukan sebaran daerah imbuhan air tanah. Parameter yang digunakan adalah data pendukung seperti curah hujan, jenis tanah, dan kelerengan (slope) yang diperoleh dari data DEMNAS. Dari hasil overlay dan pembobotan keempat parameter diatas, diperoleh sebaran daerah imbuhan air tanah tingkat tinggi seluas 13010,33 ha (59,21%), tingkat sedang seluas 8935,27 ha (40,66%) dan tingkat rendah seluas 28,64 ha (0,13%).
======================================================================================================================================
The benefits of groundwater are very important for the community both to meet the needs of life to daily activities, accompanied by increasing population growth causing an increase in groundwater use. Therefore, there is a need for information in the form of a map of the distribution of groundwater recharge areas. With this distribution map, it is hoped that it will be useful for the government and local communities to find out the location of groundwater distribution so that it does not change its function to maintain groundwater recharge in the area. The method carried out will later utilize Landsat-8 imagery to classify land cover in the study area. Land cover data processing is carried out using the Google Earth Engine platform with the algorithms used are Random Forest (RF) and Support Vector Machine (SVM). Both of these algorithms were chosen because they are widely used in Machine Learning methods to classify. From the results of Landsat-8 image classification using RF and SVM algorithms, 6 classes of
land cover were obtained, namely water bodies, rice fields, settlements, fields/moor, plantations, and forests. The Overall Accuracy (OA) value obtained using RF is 99.6% and the Kappa value is 0.994, while using the SVM algorithm the OA value is 60.8% and the kappa value is 0.423. From the results of this study the land cover classification with the best accuracy value is using the RF algorithm which will later be used to determine land cover parameters. After that, overlay and weighting will be carried out with parameters that can determine the distribution of groundwater recharge areas. The parameters used are supporting data such as rainfall, soil type, and slope obtained from DEMNAS data. From the overlay results and weighting of the four parameters above, the distribution of high-level groundwater recharge areas covering an area of 13010.33 ha (59.21%), medium level covering an area of 8935.27 ha (40.66%) and low-level covering an area of 28.64 ha (0.13%) was obtained.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Landsat-8, Klasifikasi Citra, Random Forest, Support Vector Machine, Daerah Imbuhan Air Tanah, Landsat-8, Image Classification, Random Forest, Support Vector Machine, Groundwater Recharge Area
Subjects:	G Geography. Anthropology. Recreation > G Geography (General) > G70.212 ArcGIS. Geographic information systems. G Geography. Anthropology. Recreation > G Geography (General) > G70.217 Geospatial data G Geography. Anthropology. Recreation > G Geography (General) > G70.5.I4 Remote sensing G Geography. Anthropology. Recreation > GB Physical geography > GB1003.2 Groundwater.
Divisions:	Faculty of Civil, Planning, and Geo Engineering (CIVPLAN) > Geomatics Engineering > 29202-(S1) Undergraduate Thesis
Depositing User:	Muhammad Ari Sanggam
Date Deposited:	02 Aug 2023 04:26
Last Modified:	02 Aug 2023 04:26
URI:	http://repository.its.ac.id/id/eprint/99966

Actions (login required)

View Item