Klasifikasi Tutupan Lahan Menggunakan Supervised Machine Learning Pada Citra Satelit Menggunakan Google Earth Engine

Abstract

Abstrak— Informasi tutupan lahan telah digunakan berbagai pihak seperti pemerintah, peneliti, dan lain-lain. Permukaan bumi tidak homogen sama sekali, mengandung variasi seperti air, tanah kosong, rumput, aspal, dan lain-lain. Tutupan lahan paling umum biasanya adalah kategori urban (perkotaan) dan keperluan pertanian. Dan dari aktivitas maupun perilaku tersebut akan mengakibatkan berkurangnya lahan hijau sehingga menjadi tidak terkontrol. Perencanaan dan pemantauan penggunaan lahan masih menjadi masalah dibanyak negara berkembang salah satunya seperti Indonesia. Sistem yang dirancang adalah dengan metode supervised machine learning dengan metode klasifikasi Minimum Distance, CART, dan Gradient Boost pada daerah Kec. Cihampelas, Kabupaten Bandung Barat, Jawa Barat. Penelitian ini melakukan perhitungan uji akurasi pada tutupan lahan yang diambil dari citra satelit Sentinel 2, dengan menggunakan parameter perhitungan user accuracy, consumer accuracy, overall accuracy dan kappa statistic. Klasifikasi tutupan lahan yang diterapkan pada penelitian ini terdiri dari empat kelas yaitu badan air, lahan terbangun, lahan terbuka, dan vegetasi. Pada hasil pengujian didapatkan pada dari tanggal 1 Januari 2020 sampai 12 Desember 2020 menunjukkan hasil overall accuracy pada algoritma minimum distance yaitu 96.66%, pada algoritma CART yaitu 91.66%, dan pada algoritma gradient boost 90%. Algoritma minimum distance adalah algoritma terbaik dibandingkan metode lainnya untuk klasifikasi tutupan lahan, dengan tingkat overall accuracy tertinggi.
Kata kunci— tutupan lahan, supervised learning, minimum distance, CART, gradient boost.