RAEIHAN ALFIAN MANIK Primary Author mixed material bibliography Banda Aceh Fakultas Pertanian 2025 id Indonesia

Skripsi

Klasifikasi tutupan lahan adalah proses mengelompokkan permukaan bumi berdasarkan karakteristik penggunaan dan vegetasi yang tampak dalam citra satelit, seperti hutan, lahan pertanian, dan pemukiman. Penelitian ini bertujuan untuk menganalisis efektivitas dua algoritma pembelajaran mesin, yaitu Random Forest (RF) dan Support Vector Machine (SVM), dalam klasifikasi tutupan lahan berbasis citra satelit Landsat 9. RF adalah metode klasifikasi berbasis pohon keputusan majemuk yang bekerja dengan membangun banyak pohon dan menggabungkan hasilnya untuk menghasilkan prediksi akhir. RF dikenal memiliki akurasi tinggi dan tahan terhadap overfitting. SVM adalah algoritma klasifikasi yang mencari garis pemisah terbaik (hyperplane) antara kelas-kelas data. Dengan kernel tertentu (misalnya RBF), SVM dapat digunakan untuk klasifikasi data yang tidak terpisah secara linear. Area studi terletak pada kawasan Hutan Produksi PT. Aceh Nusa Indrapuri, Provinsi Aceh, dengan luas area studi ±1.319,76 ha. Penelitian ini di latar belakangi oleh kebutuhan akan metode pemantauan tutupan lahan yang efisien, akurat, dan dapat diotomatisasi, khususnya di kawasan hutan produksi. Data utama yang digunakan adalah citra Landsat 9 Collection 2 Tier 1 Top of Atmosphere (TOA) Reflectance pada bulan Januari 2025. Fitur citra diperluas dengan perhitungan dua indeks penting seperti Normalized Difference Vegetation Index (NDVI) dan Modified Normalized Difference Water Index (MNDWI). Proses klasifikasi dilakukan dalam platform Google Earth Engine (GEE), menggunakan sampel pelatihan poligon untuk enam kelas berdasarkan standar Kementerian Lingkungan Hidup dan Kehutanan (KLHK) hutan, pertanian, padang rumput, lahan basah, pemukiman, dan lainnya. Algoritma Random Forest dilatih dengan parameter 100 pohon keputusan, sedangkan SVM menggunakan kernel RBF dengan parameter gamma 0,5 dan cost 10. Evaluasi akurasi dilakukan menggunakan confusion matrix, serta perhitungan overall accuracy dan kappa coefficient. Hasil klasifikasi menunjukkan bahwa algoritma RF memiliki performa lebih baik, dengan nilai overall accuracy sebesar 88% dan kappa coefficient sebesar 0,815, serta berhasil mengidentifikasi semua kelas. Sebaliknya, algoritma SVM hanya mencapai overall accuracy sebesar 69% dan kappa coefficient sebesar 0,517, serta gagal mendeteksi kelas badan air. Faktor-faktor yang memengaruhi perbedaan performa kedua algoritma meliputi jumlah dan distribusi sampel pelatihan, kekuatan model dalam menangkap variasi spektral, serta pengaruh parameter model terhadap kelas minoritas. RF dinilai lebih stabil dan akurat untuk pemetaan multikelas tutupan lahan dengan citra resolusi menengah, sedangkan SVM tetap memiliki potensi apabila dilakukan penyesuaian parameter dan penyeimbangan data pelatihan. LAND SURVEYS - TECHNOLOGY 526.9 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 169885 2025-08-28 15:37:46 2025-08-29 11:06:32 machine generated