Singaraja- Pada hari Jumat, 23 Februari 2024, mahasiswa Prodi Ilmu Komputer yang terdiri dari Mellisa Damayanti, Kadek Losinanda Prawira, dan Ni Putu Karisma Dewi dengan didampingi oleh Dosen Pembimbing Kadek Yota Ernanda Aryanto, S.Kom., M.T., Ph.D. melalukan diseminasi hasil dari proyek studi independen mengenai Automated Field Mapping. Sebagai bagian dari program MBKM, melalui kegiatan ini mahasiswa telah belajar dan menerapkan berbagai konsep dan teknologi dalam proyek studi independen yang memiliki tujuan lebih luas untuk pembangunan berkelanjutan, terutama dalam hal pengelolaan sumber daya alam dan lingkungan. Dengan bimbingan dan dukungan dari dosen pembimbing, mereka telah berhasil menyelesaikan proyek ini sebagai salah satu langkah penting dalam perjalanan akademik mereka.
Diseminasi Hasil Proyek Independen kepada Dosen dan Mahasiswa (Dok: Mellisa)
Dalam penelitian ini, mahasiswa menggunakan teknologi citra satelit untuk memahami bagaimana algoritma pembelajaran mesin dapat membantu mengidentifikasi penggunaan dan tutupan lahan dengan lebih efisien. Hasil penelitian mereka memberikan wawasan yang berharga dalam pengelolaan sumber daya alam, yang menjadi perhatian penting dalam konteks pembangunan berkelanjutan.
Melalui upaya ini, mahasiswa telah menunjukkan dedikasi mereka dalam memperluas pengetahuan mereka di luar kelas, serta kontribusi mereka dalam memecahkan masalah dunia nyata. Besar harapan bahwa hasil penelitian ini dapat memberikan kontribusi positif bagi pembangunan masyarakat dan lingkungan, sesuai dengan prinsip-prinsip MBKM dalam mendorong pembelajaran berkelanjutan di luar ruang kelas,
Berikut ini disajikan ringkasan mengenai proyek yang telah dilaksanakan tersebut:
Berbagai penelitian telah memanfaatkan data citra satelit dalam proses penginderaan jauh untuk memetakan Land Use and Land Cover (LULC) di berbagai wilayah permukaan bumi. Hal ini dikarenakan kemampuannya dalam memantau wilayah geografis yang luas dan menyediakan informasi penting untuk pemetaan dan analisis permukaan bumi. Pengindraan jauh juga digunakan untuk menggambarkan keanekaragaman hayati di berbagai skala spasial dan menilai detail kecil dalam lanskap pertanian. Hal ini sangat berharga karena mengevaluasi fitur skala kecil dapat menimbulkan tantangan dan mengakibatkan biaya tinggi jika hanya mengandalkan survei lapangan tradisional.
Tim Pelaksanal, kiri-kanan: Losinanda, Dewi, Mellisa (Dok: Mellisa)
Salah satu satelit dalam penginderaan jauh yang sering digunakan untuk pemetaan area permukaan bumi adalah Sentinel 2-L2A Multi-spectral Instrument (MSI). Satelit ini diperkenalkan oleh European Space Agency (ESA) pada 23 Juni 2015. Satelit ini memiliki resolusi tinggi yaitu 10m, 20m, dan 60m resolusi. Dengan resolusi medium to high serta data multispektral yang dimilikinya, Sentinel 2-L2A MSI cocok untuk digunakan dalam aplikasi machine learning untuk pemetaan LULC. Hal ini memungkinkan klasifikasi yang akurat menggunakan berbagai algoritma, termasuk Random Forest, Support Vector Machine, dan algoritma sederhana seperti k-Nearest Neighbors.
Dalam proyek studi independen telah dilakukan klasifikasi terhadap 6 kelas LULC yaitu Cassava, Paddy, Settlement, Sugarcane, Water, dan Bare soil. Fokus studi ini adalah wilayah Chachoengsao, Thailand dan menggunakan dataset Sentinel 2-L2A MSI Imagery. Tiga algoritma machine learning yaitu k-Nearest Neighbors (k-NN), Random Forest, dan Support Vector Machine (SVM), digunakan untuk melakukan klasifikasi, dan hasilnya dianalisis guna menentukan algoritma yang memberikan kinerja terbaik dan akurasi tertinggi. Terdapat enam alur kerja utama dalam proses ini yang menggunakan tiga platform.
Alur Kerja Proyek (Dok: tim pelaksana)
Tahap awal yaitu Image Preprocessing dan Feature Extraction dilakukan pada platform Google Earth Engine (GEE). Pada tahap ini, kami melakukan cloud masking menggunakan algoritma S2Cloudless, melakukan pelabelan 6 kelas LULC, dan mengekstraksi data tersebut. Setelah ekstraksi raw data, kami melakukan pemrosesan lebih lanjut di Jupyter Notebook untuk menghasilkan Dataset Composition, melakukan kalsifikasi LULC, dan melakukan proses evaluasi. Terdapat tujuh parameter spasial indeks yang kami gunakan yaitu Normalized Difference Vegetation Index (NDVI), Normalized Difference Water Index (NDWI), Atmospherically Resistant Vegetation Index (ARVI), Bare Soil Index (BSI), Normalized Difference Built-up Index (NDBI), Enhanced Vegetation Index (EVI), dan Soil-Adjusted Vegetation Index (SAVI). Setelah dataset terbentuk, kami melakukan data cleaning dengan menghilangkan outlier untuk mengeliminasi potensial bias dan melakukan LULC Classification. Evaluasi menggunakan metrik Overall Accuracy (OA) menunjukkan bahwa SVM mencapai akurasi tertinggi sebesar 89%, diikuti oleh Random Forest dengan 88%, dan k-NN dengan 87%. Berikut merupakan visualisasi hasil klasifikasi dari setiap algoritma.
Perbandingan visualisasi setiap algoritma untuk suatu area (Dok: tim pelaksana)
Tahap terakhir yaitu proses integrasi Field Mapping algoritma, tahap ini melibatkan pemanfaatan GEE Python API untuk mengekstraksi data tiff. Algoritma ini memetakan area berdasarkan koordinat yang diinginkan pengguna (latitute dan longitute) dan memprediksikan nama kelas dari area yang dipetakan. Algoritma ini menerapkan konsep yang mirip dengan pendekatan metode scan-line yang digunakan untuk membentuk poligon, terutama dalam cara memproses dan menganalisis data geospasial untuk membentuk poligon atau area peta.
Hasil poligon dari area yang diprediksi (Dok: tim pelaksana)
Dengan demikian, hasil proyek studi independen ini diharapkan dapat memberikan wawasan tentang kinerja ketiga algoritma machine learning dalam mengklasifikasikan enam kelas LULC. Serta diharapkan dapat meningkatkan efisiensi dalam pemantauan dan analisis lahan pertanian.