Analisis Index Vegetation Wilayah Terdampak Kebakaran Hutan Riau Menggunakan Citra Landsat-8 dan Sentinel-2

Kebakaran hutan telah diidentifikasi sebagai salah satu isu lingkungan utama yang memiliki dampak terhadap keanekaragaman hayati dan iklim global jangka panjang. Riau merupakan salah satu wilayah di Indonesia yang sering mengalami kebakaran hutan. Upaya untuk memulihkan hutan pasca kebakaran dapat dilakukan dengan pengawasan lahan seperti mengamati tingkat vegetasi pada kawasan kebakaran. Dalam penelitian ini, dilakukan analisis untuk mengklasifikasikan tingkat vegetasi kawasan pasca kebakaran dengan memanfaatkan indeks vegetasi dengan tujuan mengetahui tingkat vegetasi pasca kebakaran pada wilayah rawan kebakaran di kabupaten Riau. Model yang digunakan pada penelitian ini memakai algoritma Random Forest dan variabel penentu yang digunakan adalah NDVI, NBR, EVI, dan SAVI. Penelitian ini dilakukan dengan menggunakan 2 citra satelit, yaitu Citra Landsat 8 dan Sentinel-2. Dasaset yang didapatkan menggunakan landsat-8 adalah 1871 data, sedangkan dengan menggunakan sentinel-2 diperoleh 606 data. Akurasi data testing maksimal yang diperoleh dengan menggunakan landsat-8 adalah sebesar 99%, sedangkan dengan menggunakan sentinel-2, diperoleh akurasi maksimal sebesar 94%.

[1]  Wido Prananing Tyas,et al.  Analisis Transformasi NDVI dan kaitannya dengan LST Menggunakan Platform Berbasis Cloud: Google Earth Engine , 2022, Jurnal Planologi.

[2]  M. Pakereng,et al.  Klasifikasi Resiko Kerusakan Lahan Akibat Tsunami Menggunakan Citra Landsat 8 Di Kabupaten Bantul , 2021, JATISI (Jurnal Teknik Informatika dan Sistem Informasi).

[3]  Inu Kencana Hadi,et al.  PEMETAAN POLA SPASIAL KEBAKARAN HUTAN DAN LAHAN DI TAMAN NASIONAL GUNUNG MERBABU BERBASIS PENGINDERAAN JAUH TAHUN 2019 , 2021, Jurnal Geografika (Geografi Lingkungan Lahan Basah).

[4]  Arnas Hardianto,et al.  Pemanfaatan Citra Landsat 8 Dalam Mengidentifikasi Nilai Indeks Kerapatan Vegetasi (NDVI) Tahun 2013 dan 2019 (Area Studi: Kota Bandar Lampung) , 2021 .

[5]  Luvi Roma Doni Luvi,et al.  Komparasi Luas Tutupan Lahan di Kota Bandar Lampung Berdasarkan Algoritma NDVI (Normalized Difference Vegetation Index) dan EVI (Enhanced Vegetation Index) , 2021 .

[6]  Perani Rosyani,et al.  Klasifikasi Citra Menggunakan Metode Random Forest dan Sequential Minimal Optimization (SMO) , 2021, Jurnal Sistem dan Teknologi Informasi (Justin).

[7]  Yunhee Kim,et al.  Recovery of Forest Vegetation in a Burnt Area in the Republic of Korea: A Perspective Based on Sentinel-2 Data , 2021, Applied Sciences.

[8]  Debby Alita,et al.  Pendeteksian Sarkasme pada Proses Analisis Sentimen Menggunakan Random Forest Classifier , 2020 .

[9]  S. Prasetyo,et al.  ANALISIS INDEKS VEGETASI AREA TERDAMPAK BANJIR BANDANG DI KABUPATEN JAYAPURA MENGGUNAKAN METODE CLUSTERING PADA CITRA LANDSAT 8 , 2020 .

[10]  Yenni Vetrita,et al.  Fire Frequency and Related Land-Use and Land-Cover Changes in Indonesia's Peatlands , 2019, Remote. Sens..

[11]  A. Krtalić,et al.  ANALYSIS OF BURNED VEGETATION RECOVERY BY MEANS OF VEGETATION INDICES , 2019, 19th International Multidisciplinary Scientific GeoConference SGEM2019, Informatics, Geoinformatics and Remote Sensing.

[12]  S. Y. Prasetyo,et al.  Perubahan Konversi Lahan Menggunakan NDVI, EVI, SAVI dan PCA pada Citra Landsat 8 (Studi Kasus : Kota Salatiga) , 2019 .

[13]  Bambang Sudarsono,et al.  ANALISIS KETERTIBAN TATA LETAK BANGUNAN TERHADAP SEMPADAN SUNGAI DI SUNGAI BANJIR KANAL TIMUR KOTA SEMARANG (Studi Kasus : Sepanjang Banjir Kanal Timur dari Muara Sampai Jembatan Brigjend Sudiarto (STA 0-STA 7)) , 2015 .

[14]  B. H. Saharjo.  Pengendalian kebakaran hutan dan atau lahan indonesia , 2016 .

[15]  Yao Minghai,et al.  Image Classification by Using SVM , 2010 .