<![CDATA[Penelitian ini menghadirkan inovasi dalam pemetaan sumber mata air di Kabupaten Soppeng melalui integrasi Sistem Informasi Geografis (SIG) dan metode Machine Learning.SIG digunakan untuk pengelolaan dan visualisasi data spasial,sadangkan Machine Learning diterapkan untuk menganalisis pola lingkungan yang berpotensi menghasislkan mata air.Data yang digunakan mencakup citra satelit, model elevasi digital,tutupan lahan,jarak terhadap sungai,serta parameter lingkungan releven lainnya. Algoritma Random Forest dipilih karena kemampuannya dalam menangani kompleksitas data geospasial secara efektif. Hasil analisis menunjukkan bahwa model prediktif mencapai akurasi 87-90%,dengan variable paling berpengaruh berupa kemiringan lereng, NDVI,dan jarak sungai. Integrasi SIG dan Machine Learning memungkinkan pemetaan mata air eksisting sekaligus prediksi lokasi potensial secara akurat. Sistem ini diharapkan menjadi alat yang efektif dalam pengelolaan sumber daya air dan perencanaan berbasis data di Kabupaten Soppeng. Penelitian ini juga memberikan kontribusi langsung terhadap peningkatan efektivitas monitoring sumber mata air melalui penyajianpeta digital yang mudah diakses dan diperbarui.Dengan dukungan teknologi geospasial,pemerintah daerah dapat melakukan identifikasi dini terhadap wilayah rawan kekeringan serta menentukan prioritas konservasi berdasarkan tangkat potensi sumber air. Selain itu, model prediktif yang menghasilkan dapat dikembangkan lebih lanjut dengan memasukkan parameter tambahan atau metode Machine Learning lainnya untuk meningkatkan akurasi di masa mendatang. This study presents an innovative approach to mapping spring water sources in Soppeng Regency through the integration of Geographic information Systems (GIS) and Machine Learning methods.GIS is utilized for managing and visualizing spatial data, while Machine Learning is applied to analyze environmental patterns that potentially indicate spring locations. The data used include satellite umagery, digital elevation models, land cover, distance to rivers, and other relevant environmental parameters. The Random Forest algorithm was chosen due to its effectiveness in handling complex geospatial data. The analysis results indicate that the predictive model achieves an accuracy of 87-90%, with the most influential variables being slope, NDVI, and distance from rivers. The integration of GIS and Machine Learning enables mapping of existing springs as well as accurate prediction of potential sites. This system is expected to serve as an effective tool for water resource management and data-driven planning in Soppeng Regency. This research also provides a direct contribution to improving the effectiveness of spring-source monitoring thtough the presentation of digital maps that are easy to access and update. With the support of geospatial technology, local governments can conduct early identification of drought-prone areas and determine conservation priorities based on the potential level of water resources. In addition, the predictive model produced can be further developed by adding new parameters or applying other Machinr Learning methods to enhance accuracy in the future. empatkan abstrak berbahasa Inggris pada bagian ini. Gunakan font Times New Roman 10pt, italic.]]>
Copyrights © 2025
