Electronic Theses and Dissertation

ABSTRAK



Bentuk permukaan tanah terus mengalami perubahan-perubahan yang disebabkan oleh peristiwa alam dan perilaku manusia. Peristiwa alam seperti banjir, tanah longsor, gempa, gunung meletus dan bencana alam lainnya menjadi salah satu penyebab berubahnya bentuk permukaan tanah yang drastis dan mempengaruhi area yang luas. Pemetaan bertujuan dalam menyampaikan, menganalisis, dan mengklasifikasi data spasial. Penelitian ini menggunakan situs web Google Earth Engine (GEE) untuk melakukan perbandingan metode klasifikasi Random Forest dan klasterisasi K-Means Clustering dengan pengujian akurasi dilakukan sebanyak 20 kali iterasi dengan menggunakan data uji untuk setiap metode. Metode Random Forest menghasilkan nilai akurasi yaitu 88% pada saat iterasi ke-2 dan iterasi ke-19 sedangkan pada metode K-Means Clustering menghasilkan nilai akurasi yaitu 74% pada saat iterasi ke-2, ke-3, ke-4, ke-15 dan ke-20. Berdasarkan pedoman pengolahan data satelit yaitu tingkat penilaian ketelitian klasifikasi yang digunakan harus tidak kurang dari 75%. Hasil pengujian akurasi untuk kedua metode menunjukan bahwa metode Random Forest cocok digunakan untuk pemetaan penutupan lahan Citra Landsat 9 di Kawasan kabupaten aceh besar dibandingkan dengan metode K-Means Clustering, karena hasil dari metode k-means klustering tidak mencapai akurasi yang sesuai dengan pedoman.

Kata kunci: Tutupan lahan, Random Forest, K-Means Clustering, GEE

ABSTRACT The shape of the land surface continues to experience changes caused by natural events and human behavior. Natural events such as floods, landslides, earthquakes, volcanic eruptions and other natural disasters are one of the causes of drastic changes in the shape of the land surface and affect large areas. Mapping aims at conveying, analyzing, and classifying spatial data. This study uses the Google Earth Engine (GEE) website to compare the Random Forest classification method and K-Means Clustering with accuracy testing carried out 20 iterations using test data for each method. The Random Forest method produces an accuracy value of 88% during the 2nd and 19th iterations while the K-Means Clustering method produces an accuracy value of 74% during the 2nd, 3rd, 4th, 3rd iteration 15th and 20th. Based on the guidelines for processing satellite data, namely the level of classification accuracy rating used must not be less than 75%. The results of the accuracy test for both methods show that the Random Forest method is suitable for Landsat 9 Imagery land cover mapping in the Aceh Besar district area compared to the K-Means Clustering method, because the results from the k-means clustering method do not reach the accuracy according to the guidelines. Keywords: Land Cover, Random Forest, K-Means Clustering, GEE