Halaman ini menjelaskan langkah demi langkah apa yang dikerjakan dalam penelitian, termasuk cara menghitung enam tanda kerusakan pada setiap petak.
Penelitian mengikuti kerangka kerja CRISP-DM yang lazim dipakai dalam proyek sains data: pahami masalah, siapkan data, latih model, uji model, lalu jadikan aplikasi.
Lokasi penelitian adalah wilayah Palu dan Sigi yang terdampak bencana 28 September 2018. Kebutuhannya: tahu petak mana yang rusak dan seberapa parah.
Dari 190 pasang foto satelit wilayah Palu pada data terbuka xBD, dipilih 18 pasang yang berisi lahan pertanian terdampak. Setiap pasang terdiri atas foto sebelum dan sesudah bencana.
Batas 3.271 petak sawah, ladang, dan tegalan digambar satu per satu, lalu setiap petak diberi tingkat kerusakan. Empat lokasi (604 petak) disisihkan khusus untuk ujian akhir.
Dua model dibandingkan: Mask R-CNN dan YOLOv8-seg. Mask R-CNN terpilih karena jauh lebih jarang salah menandai petak.
Pada setiap petak dihitung enam angka perubahan antara foto sebelum dan sesudah bencana. Cara menghitungnya dijelaskan di bagian bawah halaman ini.
Dua model dibandingkan: Random Forest dan LightGBM. Random Forest terpilih karena lebih jarang membuat kesalahan fatal, misalnya menilai lahan rusak berat sebagai tidak terdampak.
Mask R-CNN dan Random Forest digabung menjadi model PKLPTB, lalu diuji pada 4 lokasi yang belum pernah dilihat sama sekali.
Model PKLPTB dipasang sebagai aplikasi web. Pengguna cukup mengunggah foto sebelum dan sesudah bencana, lalu aplikasi menampilkan peta dan luas lahan per tingkat kerusakan.
Setiap petak dinilai dari seberapa besar bagian petak yang menunjukkan tanda kerusakan fisik, seperti tertimbun lumpur, retak, tergenang, atau pematangnya hilang. Hilangnya tanaman saja tidak dianggap rusak, karena bisa saja petak itu baru dipanen.
Tidak ada tanda kerusakan sama sekali.
Sebagian petak rusak, tetapi sebagian besar masih bisa ditanami.
Sebagian besar petak rusak dan sulit ditanami kembali.
Foto satelit tersusun dari kotak-kotak kecil yang disebut piksel; satu piksel mewakili ±50 × 50 cm di lapangan. Agar mudah dipahami, contoh di bawah memakai petak berukuran 10 × 10 = 100 piksel. Setiap tanda dihitung dengan rumus yang sama:
skor = jumlah piksel yang menunjukkan tanda ÷ jumlah piksel pembanding × 100
Hasilnya berupa persentase 0 sampai 100. Makin besar angkanya, makin kuat tanda kerusakan pada petak itu. Foto di setiap kartu adalah contoh nyata di salah satu lokasi uji.
Pematang adalah tanda paling jelas sebuah petak. Jika pematang hilang, petak kemungkinan besar tertimbun atau bergeser.
pematang adapematang hilang
Sebelum bencana ada 32 piksel garis pematang (kiri). Sesudah bencana hanya 8 yang tersisa (kanan).
(1 − 8 ÷ 32) × 100 = 75 → 75% pematang hilang
Sebuah piksel dihitung bila memenuhi dua syarat: warnanya berubah cukup besar dan warna barunya mirip lumpur atau material keabuan.
warnanya berubahberubah dan berwarna lumpurberubah, bukan lumpur
Dari 100 piksel, 40 piksel berubah warna (kiri), tetapi hanya 30 yang warnanya seperti lumpur (kanan).
30 ÷ 100 × 100 = 30 → 30% petak tertutup material asing
Piksel dianggap bertanaman bila warnanya cukup hijau dibanding merah dan birunya. Yang dihitung adalah berapa bagian tanaman lama yang hilang.
bertanamantanaman hilang
Sebelum bencana ada 60 piksel bertanaman. Sesudah bencana tinggal 15, jadi 45 piksel tanamannya hilang.
(60 − 15) ÷ 60 × 100 = 75 → 75% tanaman hilang
Tanda ini menangkap perubahan apa pun yang cukup besar, termasuk bentuk kerusakan yang tidak tertangkap tanda lain. Batas "cukup besar" dihitung otomatis untuk setiap lokasi foto (metode Otsu).
berubah melewati batas
Dari 100 piksel, 45 piksel berubah melewati batas.
45 ÷ 100 × 100 = 45 → 45% petak berubah
Piksel dianggap air bila warnanya lebih biru daripada merah. Air yang sudah ada sebelum bencana, misalnya sawah yang memang sedang diairi, tidak ikut dihitung.
air sejak sebelum bencanagenangan baru
Sebelum bencana ada 10 piksel air. Sesudah bencana ada 25 piksel air, jadi genangan barunya 15 piksel.
(25 − 10) ÷ 100 × 100 = 15 → 15% petak tergenang air baru
Model AI siap pakai bernama AnyChange membandingkan kedua foto dan menandai bagian yang berubah. Angka di setiap kotak menunjukkan berapa kali piksel itu ditandai berubah.
ditandai minimal 2 kalihanya 1 kali (diabaikan)
Agar tidak terkecoh gangguan kecil, piksel baru dihitung bila ditandai minimal 2 kali. Ada 20 piksel seperti itu.
20 ÷ 100 × 100 = 20 → 20% petak berubah
Keenam angka di atas lalu diberikan kepada Random Forest. Random Forest terdiri atas 300 "pohon keputusan" yang masing-masing memberi suara, dan tingkat kerusakan dengan suara terbanyak menjadi keputusan akhir. Pohon-pohon itu belajar dari 2.176 petak contoh yang sudah diberi label.
| Ukuran | Artinya |
|---|---|
| Precision | Dari semua petak yang ditandai model, berapa bagian yang benar. |
| Recall | Dari semua petak yang sebenarnya ada, berapa bagian yang berhasil ditemukan. |
| F1 | Gabungan precision dan recall dalam satu angka 0 sampai 1. Makin mendekati 1, makin baik. |
| Kappa | Seberapa sesuai penilaian model dengan penilaian manusia, dengan hukuman lebih besar untuk kesalahan yang jauh (misalnya rusak berat dinilai tidak terdampak). |
| Skor xView2 | Skor gabungan baku untuk penilaian kerusakan dari foto satelit: 30% dari kemampuan menemukan objek, 70% dari ketepatan menilai kerusakan. |
Semua ukuran dihitung pada 4 lokasi uji yang tidak dipakai saat model belajar, sehingga mencerminkan kinerja di lokasi baru.
Tujuh lokasi berada di Kota Palu (Kelurahan Talise dan Petobo) dan sebelas di Kabupaten Sigi (Kecamatan Dolo dan Sigi Biromaru). Empat lokasi uji: 00000163, 00000169, 00000184, dan 00000195.
| Tile | Peran | Desa/Kelurahan | Kecamatan | Kabupaten/Kota | Petak |
|---|---|---|---|---|---|
| 00000065 | Latih | Talise | Mantikulore | Kota Palu | 433 |
| 00000117 | Latih | Talise | Mantikulore | Kota Palu | 511 |
| 00000163 | Uji | Petobo | Palu Selatan | Kota Palu | 113 |
| 00000168 | Latih | Petobo | Palu Selatan | Kota Palu | 105 |
| 00000169 | Uji | Mpanau (85%), Petobo (15%) | Sigi Biromaru, Palu Selatan | Sigi, Kota Palu | 155 |
| 00000170 | Latih | Petobo | Palu Selatan | Kota Palu | 59 |
| 00000182 | Latih | Petobo | Palu Selatan | Kota Palu | 57 |
| 00000183 | Latih | Petobo | Palu Selatan | Kota Palu | 212 |
| 00000184 | Uji | Langaleso | Dolo | Sigi | 243 |
| 00000185 | Latih | Langaleso (66%), Jono Oge (34%) | Dolo, Sigi Biromaru | Sigi | 140 |
| 00000186 | Latih | Jono Oge (60%), Langaleso (37%) | Sigi Biromaru, Dolo | Sigi | 142 |
| 00000187 | Latih | Pombewe | Sigi Biromaru | Sigi | 60 |
| 00000188 | Latih | Jono Oge (61%), Sidera (39%) | Sigi Biromaru | Sigi | 170 |
| 00000189 | Latih | Sidera (59%), Jono Oge (33%) | Sigi Biromaru | Sigi | 216 |
| 00000191 | Latih | Langaleso | Dolo | Sigi | 93 |
| 00000193 | Latih | Jono Oge (60%), Pombewe (40%) | Sigi Biromaru | Sigi | 268 |
| 00000194 | Latih | Langaleso | Dolo | Sigi | 201 |
| 00000195 | Uji | Pombewe | Sigi Biromaru | Sigi | 93 |
Sumber batas desa/kelurahan: Alf-Anas (2023). Persentase menunjukkan porsi luas foto; desa yang mencakup kurang dari 10% tidak dicantumkan.