Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pengelolaan Sumberdaya Alam dan Lingkungan (Journal of Natural Resources and Environmental Management)
Adhiguna, Agasta
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Earth & Planetary Sciences Environmental Science

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Developing a Decision Tree Algorithm for Detecting Agroforestry and Monoculture Coffee Plantations Using Landsat 8 Imagery: A Case Study inBandung Regency, Indonesia Adhiguna, Agasta; Surati Jaya, I Nengah; Puspaningsih, Nining
Jurnal Pengelolaan Sumberdaya Alam dan Lingkungan (Journal of Natural Resources and Environmental Management) Vol 15 No 6 (2025): Jurnal Pengelolaan Sumberdaya Alam dan Lingkungan (JPSL)
Publisher : Pusat Penelitian Lingkungan Hidup, IPB (PPLH-IPB) dan Program Studi Pengelolaan Sumberdaya Alam dan Lingkungan, IPB (PS. PSL, SPs. IPB)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jpsl.15.6.1009

Abstract

Kopi arabika merupakan komoditas unggulan di Kabupaten Bandung, Provinsi Jawa Barat, Indonesia, yang memiliki potensi pengembangan yang besar dengan menggunakan sistem penanaman agroforestri. Oleh karena itu, penelitian ini bertujuan untuk mendeskripsikan pengembangan algoritma pohon keputusan dengan mengkombinasikan variabel spektral yang berasal dari citra Landsat 8 dan variabel sosio-geo-biofisik. Variabel yang dikaji meliputi citra sintetis dan faktor sosio-geo-fisik, seperti elevasi, kemiringan lereng, jarak dari jalan dan sungai, jarak dari permukiman, kepadatan penduduk, jarak dari desa, dan peta tutupan lahan yang ada. Algoritma decision tree machine learning (DTML) dikembangkan untuk mendeteksi distribusi spasial penanamn kopi agroforestri dan kopi monokultur di Kabupaten Bandung. Parameter pohon keputusan yang diuji untuk mengidentifikasi bobot masing-masing variabel adalah gain ratio, information gain, dan gini indeks. Sementara itu, metode brute force diterapkan untuk memilih variabel yang paling signifikan dalam model. Hasil penelitian menunjukkan bahwa variabel yang paling signifikan untuk mengidentifikasi agroforestry dan monokultur kopi adalah kombinasi dari variabel spektral, biogeofisik, dan tutupan lahan, dengan kriteria terbaik adalah information gain. Penggunaan peta penggunaan dan tutupan lahan yang ada merupakan variabel yang paling berpengaruh dalam model. Dalam konteks ini, akurasi keseluruhan (OA) yang diperoleh adalah 84,65%, dengan akurasi kappa (KA) sebesar 82,60%.
Co-Authors I Nengah Surati Jaya Nining Puspaningsih