Analisis Metode Klasifikasi Pemetaan Tutupan Lahan (Land Cover) di Area Kota Bandung Menggunakan Algoritma Random Forest Pada Google Earth Engine

Hajiar Yuliana; Zahra Cahya Hanifa Rizqiana

doi:10.55893/epsilon.v22i2.119

Hajiar Yuliana
Zahra Cahya Hanifa Rizqiana

DOI: https://doi.org/10.55893/epsilon.v22i2.119

Kata Kunci: Random Forest, Google Earth Engine, Sentinel-2, Tutupan Lahan

Abstrak

Penelitian ini bertujuan untuk memetakan tutupan lahan di Kota Bandung menggunakan algoritma Random Forest (RF) yang diimplementasikan pada platform berbasis cloud Google Earth Engine (GEE). Data citra satelit Sentinel-2 digunakan untuk menganalisis empat kelas utama tutupan lahan, yaitu lahan permukiman, lahan hijau, perairan, dan lahan terbuka. Proses klasifikasi melibatkan pemrosesan data awal, pelatihan model menggunakan data sampel, serta evaluasi akurasi melalui confusion matrix dan validasi silang (cross-validation). Hasil penelitian menunjukkan bahwa algoritma RF memiliki akurasi keseluruhan sebesar 89%, dengan akurasi tertinggi pada kelas lahan permukiman (92%) dan terendah pada kelas perairan (80%). Validasi silang menunjukkan performa yang stabil dengan rata-rata akurasi 88.5%, precision 0.91, recall 0.88, dan F1-score 0.89. Analisis confusion matrix mengidentifikasi kesalahan klasifikasi pada kelas-kelas tertentu akibat tumpang tindih spektral, terutama antara lahan hijau dan area terbuka. Penelitian ini membuktikan bahwa algoritma RF pada GEE merupakan metode yang efisien dan akurat untuk klasifikasi tutupan lahan, sekaligus mendukung perencanaan tata ruang dan pengelolaan lingkungan. Pengembangan lebih lanjut dapat mencakup penggunaan data resolusi lebih tinggi, algoritma pembelajaran lanjutan, dan analisis berbasis waktu untuk memahami dinamika perubahan tutupan lahan.

Referensi

T. N. Phan, V. Kuch, and L. W. Lehnert, “Land Cover Classification Using Google Earth Engine and Random Forest Classifier—The Role of Image Composition,” Remote Sens., vol. 12, no. 15, p. 2411, 2020, doi: 10.3390/rs12152411.
[2] M. Mahdavifard, S. K. AHANGAR, B. Feizizadeh, K. V. Kamran, and S. Karimzadeh, “Spatio-Temporal Monitoring of Qeshm Mangrove Forests Through Machine Learning Classification of SAR and Optical Images on Google Earth Engine,” Int. J. Eng. Geosci., vol. 8, no. 3, pp. 239–250, 2023, doi: 10.26833/ijeg.1118542.
[3] V. Eisavi, S. Homayouni, A. M. Yazdi, and A. Alimohammadi, “Land Cover Mapping Based on Random Forest Classification of Multitemporal Spectral and Thermal Images,” Environ. Monit. Assess., vol. 187, no. 5, 2015, doi: 10.1007/s10661-015-4489-3.
[4] A. A. Kuntoro, A. W. Putro, M. S. B. Kusuma, and S. Natasaputra, “The Effect of Land Use Change to Maximum and Minimum Discharge in Cikapundung River Basin,” 2017, doi: 10.1063/1.5011621.
[5] N. Ponganan, T. Horanont, K. Artlert, and P. Nuallaong, “Land Cover Classification using Google Earth Engine’s Object-oriented and Machine Learning Classifier,” 2021 2nd Int. Conf. Big Data Anal. Pract. IBDAP 2021, pp. 33–37, 2021, doi: 10.1109/IBDAP52511.2021.9552099.
[6] A. Tassi, D. Gigante, G. Modica, L. Di Martino, and M. Vizzari, “Pixel-vs. Object-based landsat 8 data classification in google earth engine using random forest: The case study of maiella national park,” Remote Sens., vol. 13, no. 12, 2021, doi: 10.3390/rs13122299.
[7] S. Amini, M. Saber, H. Rabiei-Dastjerdi, and S. Homayouni, “Urban Land Use and Land Cover Change Analysis Using Random Forest Classification of Landsat Time Series,” Remote Sens., vol. 14, no. 11, pp. 1–23, 2022, doi: 10.3390/rs14112654.
[8] S. Xie, L. Liu, X. Zhang, J. Yang, X. Chen, and Y. Gao, “Automatic land-cover mapping using landsat time-series data based on google earth engine,” Remote Sens., vol. 11, no. 24, 2019, doi: 10.3390/rs11243023.
[9] J. Sun and S. Ongsomwang, “Optimal parameters of random forest for land cover classification with suitable data type and dataset on Google Earth Engine,” Front. Earth Sci., vol. 11, no. October, pp. 1–17, 2023, doi: 10.3389/feart.2023.1188093.
[10] V. F. Rodriguez-Galiano, B. Ghimire, J. Rogan, M. Chica-Olmo, and J. P. Rigol-Sanchez, “An assessment of the effectiveness of a random forest classifier for land-cover classification,” ISPRS J. Photogramm. Remote Sens., vol. 67, no. 1, pp. 93–104, 2012, doi: 10.1016/j.isprsjprs.2011.11.002.
[11] A. Jamali, “Land Use Land Cover Mapping Using Advanced Machine Learning Classifiers,” Ekológia (Bratislava), vol. 40, no. 3, pp. 286–300, 2021, doi: 10.2478/eko-2021-0031.
[12] C. Pelletier, S. Valero, J. Inglada, N. Champion, C. M. Sicre, and G. Dedieu, “Effect of Training Class Label Noise on Classification Performances for Land Cover Mapping With Satellite Image Time Series,” Remote Sens., vol. 9, no. 2, p. 173, 2017, doi: 10.3390/rs9020173.