Klasifikasi Wilayah Risiko Kekeringan di Kabupaten Cilacap Menggunakan Metode Xgboost

Abstract

Kekeringan merupakan bencana meteorologis yang terjadi setiap tahun dan tidak dapat dihindari keberadaanya. Kabupaten Cilacap merupakan salah satu kabupaten yang berada di provinsi Jawa Tengah yang memiliki potensi kekeringan tinggi karena kondisi alam yang sangat beragam. Berdasarkan data pada tahun 2019, kekeringan yang terjadi di Kabupaten Cilacap mencapai 630 kejadian dimana angka ini merupakan angka paling tinggi dari tahun-tahun sebelumnya, untuk itu diperlukan informasi mengenai wilayah resiko kekeringan. Penelitian ini dilakukan dengan dengan memanfaatkan data penginderaan jauh yang diekstraksi dalam bentuk 5 indeks vegetasi yang digunakan antara lain NDVI, NDWI, NDDI, SAVI dan VCI, serta metode XGBoost untuk menganalisa hasil ektraksi dari citra landsat 8-OLI. Dari penelitian ini, diperoleh hasil ada 9 desa yang diprediksi memiliki resiko potensi kekeringan tinggi dengan nilai akurasi sebesar 0.9649 dan nilai kappa sebesar 0.9321 yang menunjukan bahwa semakin tinggi nilai akurasi dan nilai kappa, maka semakin tepat prediksi yang dilakukan.

Drought is a meteorological disaster that occurs every year and cannot be avoided. Cilacap Regency is one of the regencies in Central Java province which has a high potential for drought due to very diverse natural conditions. Based on data in 2019, the drought that occurred in Cilacap Regency reached 630 events where this figure was the highest number from previous years, for this reason, information on drought risk areas is needed. This research was conducted by utilizing remote sensing data extracted in the form of 5 vegetation indices used, including NDVI, NDWI, NDDI, SAVI and VCI and the XGBoost method to analyze the extraction results from Landsat 8- OLI images. From this study, the results obtained are 9 villages that are predicted to have a high risk of potential drought with an accuracy value of 0.9649 and a kappa value of 0.9321 which indicates that the higher the accuracy value and the kappa value, the more accurate the prediction is made.