Eksplorasi dan Pemodelan Tren Biomassa Hutan Menggunakan Teknik Big Data Analytics pada Dataset NASA GEDI AGBD
DOI:
https://doi.org/10.57235/qistina.v5i1.8240Keywords:
Biomassa Hutan, AGBD, NASA GEDI L4B, Big Data Analytics, Regresi Linear Berganda, Cloud-Optimized Geotiff, SumateraAbstract
Penelitian Hutan tropis Sumatera merupakan salah satu ekosistem paling penting di dunia, baik dari segi keanekaragaman hayati maupun perannya dalam siklus karbon global. Penelitian ini bertujuan untuk mengeksplorasi distribusi spasial dan memodelkan biomassa hutan di atas tanah (Aboveground Biomass Density/AGBD) di seluruh Pulau Sumatera menggunakan dataset NASA GEDI L4B versi 2.1. Pendekatan Big Data Analytics diterapkan melalui teknik Cloud-Optimized GeoTIFF (COG) yang memungkinkan akses selektif terhadap data geospasial tanpa mengunduh keseluruhan file global berukuran sekitar 500 MB. Dari proses tersebut, berhasil diperoleh 320.017 titik data valid yang mencakup seluruh kawasan bervegetasi hutan di Pulau Sumatera. Model Regresi Linear Berganda dibangun menggunakan delapan fitur turunan koordinat geografis sebagai variabel independen dan nilai AGBD sebagai variabel dependen. Hasil analisis menunjukkan rata-rata biomassa Sumatera sebesar 134,13 Mg/ha dengan nilai maksimum mencapai 2.314,78 Mg/ha pada kawasan hutan primer. Distribusi data bersifat right-skewed yang mengindikasikan dominasi kawasan terdegradasi. Model menghasilkan nilai sebesar 0,1445 pada data training dan 0,1437 pada data testing, dengan RMSE sekitar 110 Mg/ha dan MAE sekitar 85 Mg/ha. Konsistensi nilai antara training dan testing menunjukkan model tidak mengalami overfitting dan memiliki kemampuan generalisasi yang baik.
References
Basuki, A. T., & Prawoto, N. (2015). Analisis Regresi Dalam Penelitian Ekonomi Dan Bisnis. Depok: Raja Grafindo Persada
Carudin, Marisa, Murnawan, Reba, F., Koibur, M. E., Thantawi, A. M., Halim, A., & Wattimena, F. Y. (2024). Buku Ajar Data Mining. Jambi: PT. Sonpedia Publishing Indonesia
Dubayah, R., Blair, J. B., Goetz, S., Fatoyinbo, L., Hansen, M., Healey, S., Patterson, P., et al. (2020). The Global Ecosystem Dynamics Investigation: High-resolution laser ranging of the Earth’s forests and topography. Science of Remote Sensing, 1, 100002. https://doi.org/10.1016/j.srs.2020.100002
Duncanson, L., Kellner, J. R., Armston, J., Dubayah, R., Minor, D. M., Hancock, S., Healey, S. P., Patterson, P. L., Saarela, S., Marselis, S., Silva, C. E., Bruening, J., Goetz, S. J., Tang, H., Hofton, M., Blair, B., Luthcke, S., Fatoyinbo, L., Abernethy, K., … Zgraggen, C. (2022). Aboveground biomass density models for NASA’s Global Ecosystem Dynamics Investigation (GEDI) lidar mission. Remote Sensing of Environment, 270, 1-20. https://doi.org/10.1016/j.rse.2021.112845
Harlan, J. (2018). Analisis Regresi Linear. Depok: Penerbit Gunadarma
Hartawan, M. S., Rosyida, S., Hamid, A., Dari, W., & Putra, A. S. (2022). Big Data (Informasi Dan Kasus). Jombang: Tim Kun Fayakun
Iba, Z., & Wardhana, A. (2024). Analisis Regresi Dan Analisis Jalur Untuk Riset Bisnis Menggunakan Spss 29.0 & Smart-Pls 4.0. Purbalingga: Eureka Media Aksara
Janie, D. N. A. (2012). Statistik Deskriptif & Regresi Linier Berganda Dengan Spss. Semarang: Semarang University Press
Kristiawan. (2021). Pengembangan Potensi Produk Unggulan Buah-Buahan Ramah Lingkungan. (N.P.): Scopindo Media Pustaka
Kurniawan, D. (2025). Buku Ajar Analisis Big Data. Banyumas: Ganesha Kreasi Semesta
Min, W., Huang, W., Chen, Y., Xu, R., & Bao, L. (2025). Improving The Spatial Continuity Of Gedi Aboveground Biomass Density Products Using Multisource Remote Sensing Data With Consideration Of Spatial Correlation And Heterogeneity. Ieee Journal Of Selected Topics In Applied Earth Observations And Remote Sensing, volume 18, pp. 24783-24800. https://doi.org/10.1109/JSTARS.2025.3611427
Muhsoni, F., F. (2015). Penginderaan Jauh (Remote Sensing). Madura: Utmpress
Munawar, Z., Muliantara, A., Kmurawak, R. M. B., Amna, Reba, F., Sroyer, A. M., Sukmawan, D., Rahman, A., Asianingrum, A. H., Insany, G. P., Mandowen, S. A., Kamdan, Toyib, W., S, T. A. Y., Kharisma, I. L., & Beno, I. S. (2023). Big Data Analytics: Konsep, Implementasi, dan Aplikasi Terkini. Bandung: Kaizen Media Publishing
Nurhaswinda, Egistin, D. P., Rauza, M. Y., Rahma, Ramadhan, R. H., Ramadani, S., & Wahyuni. (2025). Analisis Regresi Linier Sederhana dan Penerapannya. Jurnal Cahaya Nusantara, 1 (2), 69-78.
Sari, R. M., & Apridonal, Y. (2025). Data Mining Untuk Memprediksi Penjualan. Jurnal Minfo Polgan, 14 (2), 3164-3172. 10.33395/Jmp.V14i2.15690
Sribianti, I., Sultan, Muthaminnah, Daud, M., Nirwana, Abdullah, A. A., Sardiawan, A. (2022). Estimasi Biomassa, Cadangan Karbon, Produksi O2 Dan Nilai Jasa Lingkungan Serapan Co2 Tegakan Hutan Di Taman Hutan Raya Abdul Latief. Jurnal Hutan Dan Masyarakat, 14 (1), 12-26.
Suliman. (2021). Implementasi Data Mining Terhadap Prestasi Belajar Mahasiswa Berdasarkan Pergaulan Dan Sosial Ekonomi Dengan Algoritma K-Means Clustering. Jurnal Sistem Informasi Dan Sistem Komputer, 6 (1), 1-11. Https://Doi.Org/10.51717/Simkom.V6i1.48
Yusuf, D. (2017). Penginderaan Jauh. Penerbit Ung Press
Downloads
Published
How to Cite
Issue
Section
Citation Check
License
Copyright (c) 2026 Ananda Syafika, Febrianta Immanuel Purba, M Farel Revansha Buulolo, Nayla Luthfiah Hanan
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
QISTINA: Jurnal Multididiplin Indonesia is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).
