Pemanfaatan Google Earth Engine Dan Citra Sentinel-2 Menggunakan Perbandingan Algoritma Random Forest Dan Cart Untuk Tutupan Lahan DI Wilayah Kabupaten Bojonegoro

Abstract

Penelitian ini meneliti kinerja dua algoritma pembelajaran mesin, Random Forest (RF) dan Classification and Regression Trees (CART), dalam mengklasifikasikan tipe tutupan lahan menggunakan citra Sentinel-2 di platform Google Earth Engine (GEE). Studi ini berfokus pada Kabupaten Bojonegoro tahun 2023, dengan tujuh kelas tutupan lahan: vegetasi, badan air, area terbangun, lahan kering, sawah, semak, dan lahan terbuka. Penemuan utama dari penelitian ini menunjukkan bahwa algoritma RF memiliki kinerja yang lebih baik dengan akurasi keseluruhan sebesar 87,1% dan akurasi Kappa sebesar 82,95%. RF terbukti sangat efektif dalam membedakan antara lahan terbangun dan sawah. Sebaliknya, algoritma CART memiliki akurasi keseluruhan sebesar 76,7% dan akurasi Kappa sebesar 69,56%. Namun, kedua algoritma tersebut menunjukkan keterbatasan dalam mendeteksi semak secara akurat. Penelitian ini juga menekankan pentingnya pemilihan area pelatihan yang representatif untuk meningkatkan akurasi klasifikasi. Sebagai rekomendasi, peningkatan jangkauan spektral dengan menambahkan lebih banyak band dapat membantu mengurangi kesalahan klasifikasi, dan pemilihan data pelatihan yang berkualitas tinggi sangat penting untuk meningkatkan kinerja model. Kesimpulan dari studi ini adalah bahwa algoritma RF lebih unggul dibandingkan dengan algoritma CART dalam hal akurasi keseluruhan dan akurasi Kappa, menjadikannya pilihan yang lebih baik untuk klasifikasi tutupan lahan dalam konteks ini.