Komparasi Algoritma Random Forest dan Cart pada Google Earth Engine untuk Klasifikasi Tutupan Lahan Lumajang

Abstract

Tutupan lahan adalah kenampakan geografis dari permukaan bumi. Tutupan lahan dapat disusun dengan interpretasi citra satelit. Ketersediaan citra Sentinel 2 dapat menghasilkan peta untuk mengklasifikasikan jenis – jenis tutupan lahan lahan yang ada pada suatu wilayah. Dalam proses klasifikasi tutupan lahan dapat mengunakan algoritma machine learning. Algoritma machine learning yang sering untuk digunakan adalah algoritma Random Forest dan CART (Clasification and Regresion Tree). Penelitian ini bertujuan untuk membandingkan nilai akurasi algortma machine learning untuk klasifikasi tutupan lahan. Citra Sentinel 2 waktu perekaman Januari 2021 – April 2023 di seleksi citra yang memiliki tutupan awan paling sedikit. Diolah dan diinterpretasikan untuk menghasilkan peta tutupan lahan. Wilayah penelitian mencakup Kabupaten Lumajang Jawa Timur. Tahapan pengolahan citra terdari dari seleksi citra, cloud mask, dan klasifikasi dari dua metode kemudian membandingkan nilai klasifikasi dalam penelitian ini. Kedua klasifikasi tersebut dilakukan pada platform Google Earth Engine. Uji akurasi dilakukan mengunakan matriks konfusi untuk mencari nilai akurasi kappa dan overall. Terdapat tujuh kelas tutupan lahan yang diidentifikasi, yaitu (1) badan air, (2) vegetasi, (3) lahan terbangun, (4) lahan kosong, (5) tegalan, (6) sawah, (8) pasir, dan (9) awan. Hasil perbandingan menunjukan bahwa hasil klasifikasi Random Forest dapat merepresentasikan jenis tutupan lahan yang ada di lapangan dengan lebih baik dibanding klasifikasi CART. Pada matriks konfusi klasifikasi CART, diketahui bahwa banyak kesalahan pada kelas vegetasi dan tegalan. Piksel kelas vegetasi banyak yang terklasifikasi ke dalam kelas tegalan dan sebaliknya. Nilai akurasi Kappa yang di hasilkan kasifikasi Random Forest yaitu 87,30%. Sedangkan untuk klasifikasi CART nilai Kappa yang di hasilkan yaitu 76,60%.. Sehingga dapat disimpulkan bahwa klasifikasi Random Forest dapat memberi hasil peta yang lebih akurat.