Abstract:
Kerapatan vegetasi merupakan salah satu jenis informasi yang dikumpulkan dari tutupan vegetasi. Kerapatan vegetasi mempengaruhi evapotranspirasi di lahan, yang merupakan parameter sangat penting dalam menilai seberapa rentan lahan gambut terhadap kebakaran. Model Indeks Kekeringan Keetch dan Byram, yang mengevaluasi kerentanan kebakaran lahan gambut, membagi kerapatan vegetasi menjadi heavily grazed, softly grazed, and un-grazed. Sebaliknya, pendekatan manual untuk menganalisis kerapatan vegetasi di lapangan membutuhkan sumber daya yang signifikan. Akuisisi data citra, pra-pemrosesan, ekstraksi fitur, klasifikasi, pemilihan fitur, klasifikasi, dan validasi adalah semua pendekatan visi komputer yang digunakan untuk memecahkan masalah ini. Algoritma kecerdasan buatan dan pendekatan pembelajaran mesin menjanjikan akurasi yang luar biasa dalam penelitian visi komputer modern. Namun, dalam proses klasifikasi, dampak ekstraksi fitur sangat penting. Identifikasi pola pada Back Propagation Neural Network (BPNN) bermasalah karena dimensi ekstraksi fitur terlalu rumit. Solusi dari permasalahan ini adalah dengan menggunakan teknik feature engineering untuk memilih karakteristik. Penelitian ini bertujuan untuk mengeksplorasi bagaimana rekayasa fitur mempengaruhi akurasi hasil. Menurut statistik, menerapkan strategi yang direkomendasikan dapat meningkatkan akurasi sebesar 1?n meningkatkan kappa sebesar 1,5%. Peningkatan akurasi klasifikasi kerapatan vegetasi ini dapat membantu mendeteksi kerentanan lahan gambut lebih cepat. Aspek novel dari makalah ini adalah, setelah ekstraksi fitur, strategi rekayasa fitur digunakan dalam tahap klasifikasi pembelajaran mesin untuk mengurangi jumlah dimensi yang kompleks
