View/Open

Author
EICHAL, ELPHINDO GINTING

Date Published
28 Sep 2026

Advisor
Rahman Indra Kesuma, S.Kom. M.Cs.,
Alya Khairunnisa Rizkita, S.Kom., M.Kom.,

Subject
Teknik Informatika

Publisher

Degradasi hutan dapat terjadi tanpa menghilangkan seluruh tutupan hutan sehingga diperlukan metode yang mampu mengenali perubahan kondisi vegetasi pada citra penginderaan jauh. Penelitian ini bertujuan mengembangkan dan mengevaluasi EfficientNet-B4 untuk mengklasifikasikan Hutan Sehat dan Degradasi pada patch RGB Sentinel-2 berlabel operasional berdasarkan Normalized Difference Vegetation Index (NDVI), serta menginterpretasikan keputusan model menggunakan Gradient-weighted Class Activation Mapping (Grad-CAM). Google Earth Engine digunakan untuk menghasilkan 31 komposit bulanan periode Januari 2024–Juli 2026. Dataset akhir terdiri atas 24.949 pasangan grid–bulan, yaitu 24.390 Hutan Sehat dan 559 Degradasi, sehingga memiliki rasio kelas alami 43,63:1. Sebanyak 1.413 grid unik dibagi menjadi data latih, validasi, dan uji berdasarkan grid id tanpa tumpang tindih antarsubset. EfficientNet-B4 dengan bobot awal ImageNet dilatih dalam dua fase menggunakan Focal Loss, AdamW, dan augmentasi khusus kelas Degradasi. Pada 3.659 patch uji alami, model menghasilkan 3.574 true negative, tujuh false positive, tujuh false negative, dan 71 true positive. Kelas Degradasi memperoleh precision, recall, dan F1-score sebesar 0,910256, sedangkan PR-AUC mencapai 0,965468, akurasi berimbang 0,954151, dan MCC 0,908302. Grad-CAM memperlihatkan kontribusi relatif area citra terhadap keputusan model dan membantu mengidentifikasi pola pada prediksi benar maupun salah. Hasil tersebut menunjukkan bahwa model mampu mengenali kelas Degradasi pada distribusi alami yang tidak seimbang, tetapi kesimpulannya terbatas pada label operasional NDVI dan wilayah Taman Nasional Bukit Barisan Selatan.

URI
https://repo.itera.ac.id/depan/submission/SB2610120031

Keyword
degradasi hutan EfficientNet-B4 Grad-CAM NDVI Sentinel-2