Claim Missing Document
Check
Articles

Found 2 Documents
Search

Pemetaan dan Evaluasi Penyerapan Emisi Co2 Kendaraan Bermotor Terhadap Ketersediaan Vegetasi Fathania Puspita Prameswari; Firman Hadi; Andri Suprayogi
Jurnal Sains dan Teknologi Indonesia Vol. 1 No. 3 (2026): Maret
Publisher : Jurnal Sains dan Teknologi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kota Semarang, sebagai Ibu Kota Jawa Tengah, menghadapi tantangan emisi gas rumah kaca (GRK) yang signifikan, mencapai 5281,97 Gg CO2eq pada tahun 2022, dengan sektor energi sebagai penyumbang terbesar (69,03%). Emisi ini terutama disebabkan oleh peningkatan jumlah kendaraan yang mengalami kenaikan rata-rata 12% per tahun, mencapai lebih dari 2 juta kendaraan pada tahun 2019. Tren kenaikan emisi GRK ini akan terus berlanjut hingga tahun 2030. Wilayah Semarang Selatan, dengan aktivitas transportasi yang tinggi menjadi fokus utama penelitian ini. Menggunakan metode supervised learning dengan algoritma Random Forest pada Google Earth Engine (GEE) untuk klasifikasi vegetasi, penelitian ini mengintegrasikan data emisi karbon dengan tutupan vegetasi untuk menganalisis kapasitas penyerapan CO2 di wilayah Semarang Selatan. Estimasi emisi karbon kendaraan dilakukan dengan metode traffic counting yang dikonversi berdasarkan jenis kendaraan dan konsumsi bahan bakarnya. Hasil penelitian menunjukkan emisi CO₂ pada wilayah Semarang Selatan mencapai 18.747 kg/jam pada pagi hari dan 19.151 kg/jam pada sore hari, dengan mobil penumpang menjadi penyumbang emisi terbesar dan Jalan Mgr. Soegiyopranoto sebagai ruas dengan emisi tertinggi. Klasifikasi tutupan vegetasi menggunakan algoritma Random Forest menghasilkan luasan pohon 160,4 ha, semak 125,8 ha, dan rumput 91,3 ha dengan overall accuracy 85,6%. Namun, dari 15 ruas jalan yang dianalisis, hanya di dua ruas jalan yang vegetasinya mampu menyerap emisi secara penuh, sedangkan 13 ruas jalan lainnya masih menunjukkan kelebihan emisi CO₂. Hal ini menandakan bahwa tutupan vegetasi eksisting belum memadai sehingga diperlukan penambahan dan peningkatan kualitas vegetasi untuk mereduksi emisi karbon.
Prediction of Rice Productivity Using the Random Forest Regression Algorithm in Cikaret Subdistrict for the Years 2020-2024 Muhammad Firdaus; Firman Hadi; L M Sabri
Geoid Vol 20 No 1 (2025)
Publisher : Departemen Teknik Geomatika ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/geoid.v20i1.2570

Abstract

The challenges surrounding rice productivity in Indonesia are growing more complex due to factors like climate change, population growth, and limited agricultural land. As the primary food source and main carbohydrate provider, rice is crucial for the majority of Indonesians. This study focuses on predicting rice productivity using the random forest regression algorithm, incorporating predictor variables such as NDVI, NDMI, land area, land surface temperature, rainfall, fertilizer type, and pests. To ensure the accuracy of the model, multicollinearity tests were conducted to check for strong correlations among the independent variables. The tests confirmed the absence of significant linear relationships, allowing all variables to be included in the model. The prediction model was built using time-series data from 2020 to 2023, resulting in 840 samples after eliminating outliers. The optimization process targeted the mtry parameter and the number of decision trees to reduce prediction error. The optimal model, utilizing 7 predictor features and 150 decision trees, achieved a low out of bag (OOB) error and stable mean square error (MSE). Model performance metrics showed a Mean Absolute Error (MAE) of 0.324 tons/hectare, MSE of 0.158 tons/hectare, Root Mean Square Error (RMSE) of 0.398 tons/hectare, and a coefficient of determination (R²) of 0.87. These results demonstrated that the random forest regression algorithm is highly effective in predicting rice productivity, particularly when dealing with complex data involving multiple predictor variables and potential multicollinearity.