Klasifikasi Wilayah Risiko Kekeringan Dengan Metode Random Forest dan SVM Menggunakan Data Penginderaan Jauh LANDSAT 8 OLI Studi kasus : Kabupaten Wonogiri

Engles Marabangkit Yoesmarlan (Program Studi Teknik Informatika Fakultas Teknologi Informasi Universitas Kristen Satya Wacana)
Sri Yulianto Joko Prasetyo (Fakultas Teknologi Informasi Universitas Kristen Satya Wacana Salatiga)

Indonesian Journal of Computing and Modeling
Vol 3 No 2 (2020)

Kekeringan selalu terjadi di Indonesia setiap tahunnya. Salah satu daerah yang setiap tahun terkena dampak kekeringan adalah kabupaten Wonogiri. Berdasarkan kajian BPBD Wonogiri tahun 2019, ada 31 desa di Wonogiri terancam kekeringan. Tujuan diadakan penelitian ini adalah mengklasifikasikan wilayah di Wonogiri yang memiliki resiko kekeringan paling tinggi agar memudahkan pemberian bantuan. Penelitian ini menggunakan metode Machine Learning untuk menganalisa hasil ekstraksi dari citra Landsat-8 OLI yang berupa indeks vegetasi yaitu NDVI, NDWI, SAVI, dan VCI dengan membandingkan algoritma Random Forest dengan Support Vector Machine. Hasil dari pengolahan data Random Forest dan Support Vector Machine menunjukkan bahwa Random Forest memiliki nilai kappa 0.9911 sedangkan Support Vector Machine memiliki nilai kappa 0.5217 yang berarti algoritma Random Forest lebih baik dari Support Vector Machine karena makin tinggi nlai kappa maka semakin tinggi nilai akurasi prediksinya. Dari hasil penelitian dapat diperoleh 10 kelurahan yang memiliki resiko kekeringan tinggi diantaranya kelurahan Bulusari, Sembukan, Tunggur, Hrgosari, Sidorejo, Tempurharjo, Sumberagung, Gemawang, Gnadipiro dan Conto.