Klasifikasi Tutupan Lahan Perkotaan Menggunakan Citra Satelit Sentinel-2 dan Pendekatan Machine Learning Algoritma Random Forest (Studi Kasus: Kota Palu)
Urban Land Cover Classification Using Sentinel-2 Satellite Imagery and the Random Forest Machine Learning Algorithm (Case Study: Palu City)
Abstract
Data tutupan lahan (land cover) yang akurat dan mutakhir merupakan fondasi penting bagi perencanaan tata ruang, pemantauan lingkungan, dan pengambilan kebijakan pembangunan di wilayah perkotaan. Penelitian ini menyajikan sebuah metode yang efisien untuk mengklasifikasikan tutupan lahan di Kota Palu menggunakan citra satelit Sentinel-2 dan algoritma machine learning Random Forest. Dengan memanfaatkan platform komputasi awan Google Earth Engine (GEE), citra satelit untuk tahun 2024 diproses menjadi sebuah komposit bebas awan. Klasifikasi dilakukan dengan memanfaatkan data spektral dari citra tersebut untuk mengidentifikasi lima kelas tutupan lahan utama. Lima kelas tutupan lahan utama diidentifikasi: (1) Lahan Terbangun, (2) Vegetasi Rapat, (3) Vegetasi Jarang, (4) Badan Air, dan (5) Lahan Terbuka/Pasir. Akurasi model dievaluasi menggunakan metode validasi standar (30% dari total sampel) dan menunjukkan akurasi keseluruhan 95,27% dengan koefisien Kappa 0,819. Hasil penelitian ini berupa peta tutupan lahan digital beresolusi tinggi yang dapat menjadi data dasar krusial bagi pemerintah Kota Palu dalam merumuskan kebijakan tata ruang, memantau perubahan lingkungan, serta mendukung perencanaan mitigasi bencana yang lebih efektif.
References
Al-Arrafi, I. M., Nurdiansyah, A., & Ramadhanu, A. (2024). Optimalisasi Metode Median Filter untuk Mereduksi Noise pada Citra Kematangan Buah Jambu Madu. Journal of Education Research, 5(4), 5954–5958.
De Raadt, A., Warrens, M. J., Bosker, R. J., & Kiers, H. A. L. (2019). Kappa Coefficients for Missing Data. Educational and Psychological Measurement, 79(3), 558–576.
Justam, J., Jamilah, N., Umar, S. M., Erlita, E., & Ramba, J. (2024). Penerapan Algoritma C4.5 dan Random Forest untuk Pemetaan Kerusakan Jalan dengan WebGIS. Jurnal Ilmiah Sistem Informasi Dan Teknik Informatika (JISTI), 7(2), 326–339.
Latifa, A., & Marsisno, W. (2024). Perbandingan Algoritma dan Pemetaan Total Suspended Solid di Kawasan Pesisir Indonesia Berdasarkan Data Penginderaan Jauh Berbasis Google Earth Engine. Seminar Nasional Official Statistics, 2024(1), 471–480.
Marlina, D. (2022). Klasifikasi Tutupan Lahan Pada Citra Sentinel-2 Kabupaten Kuningan Dengan Ndvi Dan Algoritme Random Forest. STRING (Satuan Tulisan Riset Dan Inovasi Teknologi), 7(1), 41–49.
Prasita, D. V. (2012). Sistem Informasi Geografik Untuk Pengelolaan Sumber Daya Pesisir. Brilliant an Imprint of MIC Publishing.
Profilyanti, B. (2015). Studi Klasifikasi Tutupan Lahan Menggunakan Data Scansar Alos Palsar dan Citra Landsat TM (Studi Kasus?: Semarang, Jawa Tengah). Institut Teknologi Sepuluh Nopember.
Yudhono, B. E. (2017). Klasifikasi Tutupan Lahan Dan Tata Guna Lahan Di Kabupaten Bandung Barat Menggunakan Citra Landsat-7 Etm Dan Alos Palsar. Institut Teknologi Bandung.
Yuyun, Ida Usman, & Sawaludin. (2018). Deteksi Perubahan Tutupan Lahan Menggunakan Metode Linear Spectral Mixture Analysis (LSMA) Pada Citra Landsat (Studi Kasus: Kota Raha dan Sekitarnya). Jurnal Geografi Aplikasi Dan Teknologi, 2(1), 41–50.
