p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal Jurnal Tekno Insentif
Anggun Tridawati
Universitas Lampung

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

Prediksi Perubahan Kawasan Hutan Mangrove Menggunakan Model Land Change Modeler Berbasis Citra Satelit Penginderaan Jauh Soni Darmawan; Elysabeth Nindy Nasing; Anggun Tridawati
Jurnal Tekno Insentif Vol 16 No 1 (2022): Jurnal Tekno Insentif
Publisher : Lembaga Layanan Pendidikan Tinggi Wilayah IV

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36787/jti.v16i1.663

Abstract

Abstrak Kelurahan Oesapa Barat merupakan Kelurahan di Kecamatan Kelapa Lima Kota Kupang Indonesia yang memiliki hutan mangrove cukup luas namun terus mengalami kerusakan yang disebabkan oleh ulah manusia, sehingga upaya untuk menahan laju kepunahan hutan mangrove perlu dilakukan. Dalam upaya pengelolaan untuk menahan laju kepunahan hutan mangrove, diperlukan informasi berupa identifikasii area mana saja yang membutuhkan perhatian untuk pelestarian mangrove. Oleh sebab itu, dibutuhkan suatu metode yang dapat digunakan untuk monitoring perubahan luasan mangrove dari tahun ke tahun. Gambaran perubahan lahan di masa depanpun dibutuhkan untuk mendukung perencanaan, perlindungan, dan rehabilitasi hutan mangrove. Tujuan penelitian ini adalah mengetahui perubahan tutupan mangrove tahun 1996, 2006, 2016, dan memprediksi tutupan mangrove tahun 2026. Teknologi penginderaan jauh digunakan untuk menganalis penggunaan lahan melalui citra satelit Landsat (tahun 1996, 2006 dan 2016). Penelitian ini menggunakan integrasi citra landsat untuk memperoleh hasil klasifikasi tutupan lahan dan land change modeler untuk mengkaji dan memprediksi pola perubahan lahan mangrove. Hasil prediksi hutan mangrove menggunakan land change modeler menunjukan adanya tren peningkatan luasan mangrove sebesar 17,64 ha pada tahun 1996, 18,90 ha pada tahun 2006, 19,80 ha pada tahun 2016, dan 20,52 ha pada tahun 2026. Peningkatan luasan mangrove disebabkan oleh berhasilnya kegiatan rehabilitasi berupa penanaman mangrove di Pantai Kelurahan Oesapa Barat pada tahun 2002. Abstract Oesapa Barat Village is a sub-district in Kelapa Lima District, Kupang City, Indonesia where has a large mangrove forest but continues to decline by human activities, therefore the protection of mangroves is urgent. The purpose of this study was to determine mangroves' changes in 1996, 2006, 2016, and predict them in 2026. Remote sensing technology was used to analyze land use through Landsat satellite imagery (1996, 2006, and 2016). This research uses the integration of Landsat image to obtain land cover classification and land change modeler to analyze and predict mangrove land change patterns. The prediction results using land change modeler showed that there was a trend of increasing mangrove area by 17.64 ha in 1996, 18.90 ha in 2006, 19.80 ha in 2016, and 20.52 ha in 2026. The increase in mangrove areas was caused by the success of this activity. rehabilitation in the form of planting mangroves in West Oesapa Village Beach in 2002.
Pemetaan Distribusi Hutan Mangrove Menggunakan Algoritma Machine Learning di Kawasan Hutan Mangrove Petengoran Anggun Tridawati; Armijon Armijon; Fajri Yanto; Tika Christy Novianti
Jurnal Tekno Insentif Vol 17 No 2 (2023): Jurnal Tekno Insentif
Publisher : Lembaga Layanan Pendidikan Tinggi Wilayah IV

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36787/jti.v17i2.1101

Abstract

Abstrak Hutan mangrove Petengoran adalah ekowisata mangrove di Provinsi Lampung yang terancam punah karna meningkatnya aktivitas pengunjung. Sehingga, informasi persebaran mangrove sangat diperlukan untuk tujuan konservasi. Dewasa ini, banyak peneliti memanfaatkan teknologi pengindraan jauh untuk pemetaan mangrove menggunakan algoritma machine learning. Penelitian ini bertujuan untuk membandingkan algoritma support vector machine (SVM) dan random forest (RF) untuk pemetaan mangrove menggunakan komposit RGB dan NDVI pada citra Sentinel 2A. Hasil penelitian menunjukkan bahwa algoritma RF memberikan akurasi yang lebih tinggi dibandingkan dengan SVM dibuktikan dengan nilai akurasi keseluruhan dan indeks kappa RF sebesar 92,68% dan 0,88, sedangkan pada SVM sebesar 91,86% dan 0,87. Meski demikian, terdapat kesalahan klasifikasi hutan mangrove di kedua algoritma. Hal tersebut disebabkan oleh kemiripan spektral jenis tanaman dan tidak adanya efek topografi. Sehingga, penelitian selanjutnya diharapkan dapat menambahkan efek topografi untuk mendapatkan akurasi yang lebih baik. Abstract The Petengoran is mangrove ecotourism in Lampung Province which is threatened with extinction due to increased community activity. Thus, information on the distribution of the Petengoran mangroves is needed for conservation. Many researchers use remote sensing technology to map mangroves using machine learning algorithms. This study aims to compare SVM and random forest RF algorithms for mapping mangroves using RGB and NDVI composites on Sentinel 2A imagery. The results showed that the RF algorithm provides higher accuracy compared to SVM. This is evidenced by the overall accuracy value and RF kappa index of 92.68% and 0.88, while the SVM is 91.86% and 0.87. However, there is a misclassification of mangrove forests in both algorithms. This is due to the spectral similarity of vegetation and no topographical effect. Thus, future research is expected to add topographical effects to obtain higher accuracy.