Wijaya, Gede Andra Rizqy (2026) MACHINE LEARNING-BASED BIOMASS ESTIMATION USING SENTINEL-2 SATELLITE IMAGERY TO SUPPORT PLN'S NET ZERO EMISSION TARGET. Undergraduate thesis, Universitas Pendidikan Ganesha.
![[img]](http://repo.undiksha.ac.id/style/images/fileicons/text.png) |
Text (COVER)
2215101024-COVER.pdf Download (319kB) |
|
Text (ABSTRAK)
2215101024-ABSTRAK.pdf Download (7MB) |
|
Text (BAB 1 PENDAHULUAN)
2215101024-BAB 1 PENDAHULUAN.pdf Download (7MB) |
|
Text (BAB 2 KAJIAN TEORI)
2215101024-BAB 2 KAJIAN TEORI.pdf Restricted to Repository staff only Download (7MB) | Request a copy |
|
Text (BAB 3 METODELOGI PENELITIAN)
2215101024-BAB 3 METODELOGI PENELITIAN.pdf Restricted to Repository staff only Download (7MB) | Request a copy |
|
Text (BAB 4 HASIL DAN PEMBAHASAN)
2215101024-BAB 4 HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (7MB) | Request a copy |
|
Text (BAB 5 PENUTUP)
2215101024-BAB 5 PENUTUP.pdf Restricted to Repository staff only Download (7MB) | Request a copy |
|
Text (DAFTAR PUSTAKA)
2215101024-DAFTAR PUSTAKA.pdf Download (7MB) |
|
Text (LAMPIRAN)
2215101024-LAMPIRAN.pdf Download (7MB) |
Abstract
Meningkatnya kebutuhan akan energi rendah karbon telah meningkatkan minat dalam pemanfaatan biomassa, termasuk program co-firing untuk mendukung target Net Zero Emission PT PLN pada tahun 2060. Studi ini mengembangkan estimasi dan pendekatan pemetaan Biomassa Atas Tanah (AGB) untuk Area of Interest di Kalimantan Tengah dengan mengintegrasikan citra Sentinel-2 dan data GEDI dari tahun 2021–2022. Metrik ketinggian kanopi GEDI (RH98) digunakan untuk menurunkan nilai referensi AGB empiris, yang kemudian dikombinasikan dengan indeks vegetasi Sentinel-2 (NDVI, EVI, NDMI, dan NDWI) dan koordinat geografis sebagai fitur input. Dari 4.056 poin yang dikumpulkan, pembersihan data (nilai yang hilang, nilai ekstrem, dan outlier berbasis IQR) menghasilkan 1.273 poin yang valid untuk pemodelan. Model Random Forest dan XGBoost dilatih menggunakan pemisahan uji kereta 80:20 dengan penyetelan hiperparameter. Kinerja model dievaluasi menggunakan RMSE dan R², dan nilai AGB yang diprediksi divisualisasikan melalui interpolasi spasial untuk menghasilkan peta distribusi AGB. Hasil menunjukkan akurasi prediktif yang rendah, di mana Random Forest mencapai RMSE 377,95 dan R² 0,024, sedangkan XGBoost mencapai RMSE 379,128 dan R² 0,018. Meskipun peta AGB berhasil diproduksi, hubungan yang lemah antara indeks vegetasi yang dipilih dan AGB dan sampel valid yang terbatas mengurangi keandalan model. Temuan ini menunjukkan bahwa mengandalkan empat indeks vegetasi Sentinel-2 saja tidak cukup untuk estimasi AGB yang akurat di area penelitian. Studi di masa depan harus meningkatkan data pelatihan dan menggabungkan fitur yang lebih informatif seperti pita tepi merah, tekstur, topografi, SAR Sentinel-1, atau variabel struktur kanopi lainnya untuk meningkatkan kinerja.
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Uncontrolled Keywords: | Above Ground Biomass (AGB), Sentinel-2, GEDI, Random Forest, XGBoost, Net Zero Emission |
| Subjects: | Q Science > QA Mathematics > QA75 Electronic computers. Computer science |
| Divisions: | Fakultas Teknik dan Kejuruan > Jurusan Teknik Informatika > Program Studi Ilmu Komputer (S1) |
| Depositing User: | Gede Andra Rizqy Wijaya |
| Date Deposited: | 20 Jan 2026 01:16 |
| Last Modified: | 20 Jan 2026 01:16 |
| URI: | http://repo.undiksha.ac.id/id/eprint/27577 |
Actions (login required)
 |
View Item |