Electronic Theses and Dissertation

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 cover classification is the process of grouping the Earth’s surface based on land use characteristics and vegetation visible in satellite imagery, such as forests, agricultural land, and settlements. This study aims to analyze the effectiveness of two machine learning algorithms, namely Random Forest (RF) and Support Vector Machine (SVM), in land cover classification using Landsat 9 satellite imagery. RF is a classification method based on multiple decision trees that works by building many trees and combining their results to produce the final prediction. RF is known for its high accuracy and resistance to overfitting. SVM is a classification algorithm that seeks the best separating line (hyperplane) between data classes. With a specific kernel (e.g., RBF), SVM can be used for classification of data that are not linearly separable. The study area is located in the Production Forest area of PT. Aceh Nusa Indrapuri, Aceh Province, with a total area of approximately 1,319.76 hectares. This research is motivated by the need for efficient, accurate, and automated land cover monitoring methods, particularly in production forest areas. The main dataset used is Landsat 9 Collection 2 Tier 1 Top of Atmosphere (TOA) Reflectance imagery from January 2025. The image features were enhanced by calculating two important indices, namely the Normalized Difference Vegetation Index (NDVI) and the Modified Normalized Difference Water Index (MNDWI). The classification process was conducted on the Google Earth Engine (GEE) platform, using polygon training samples for six classes based on the Ministry of Environment and Forestry (MoEF) standards: forest, agriculture, grassland, wetland, settlement, and others. The Random Forest algorithm was trained with a parameter of 100 decision trees, while the SVM used an RBF kernel with a gamma parameter of 0.5 and a cost of 10. Accuracy evaluation was carried out using a confusion matrix, as well as overall accuracy and kappa coefficient calculations. The classification results showed that the RF algorithm performed better, with an overall accuracy of 88% and a kappa coefficient of 0.815, successfully identifying all classes. In contrast, the SVM algorithm only achieved an overall accuracy of 69% and a kappa coefficient of 0.517, and failed to detect the water body class. Factors influencing the performance differences between the two algorithms include the number and distribution of training samples, the model’s ability to capture spectral variation, and the influence of model parameters on minority classes. RF is considered more stable and accurate for multi-class land cover mapping using medium-resolution imagery, while SVM still has potential if parameter tuning and training data balancing are applied.