Prosiding Forum Ilmiah Tahunan (FIT) – Ikatan Surveyor Indonesia (ISI)

Perubahan tutupan lahan akan terus terjadi seiring berjalannya waktu. Pemantauan fenomena perubahan tutupan lahan setiap tahunnya dapat dilakukan dengan berbagai metode, salah satunya adalah metode supervised machine learning. Tujuan dari penelitian ini adalah penerapan metode otomatisasi supervised machine learning untuk pemantauan perubahan tutupan lahan di Kecamatan Tirtomoyo, Kabupaten Wonogiri, sehingga didapatkan metode supervised machine learning yang memiliki akurasi tinggi dan cocok untuk pemantauan perubahan lahan dengan cepat. Pemantauan perubahaan tutupan lahan dilakukan menggunakan data citra Sentinel-2A tahun 2016 dan 2021.

Pada penelitian ini menggunakan tiga metode otomatisasi supervised machine learning yaitu Support Vector Machine (SVM), Random Forest (RF), dan Gaussian Mixture Model (GMM). Klasifikasi tutupan lahan yang diterapkan pada penelitian ini terdiri dari empat kelas yaitu, hutan, sawah, pemukiman, serta sedimentasi dan lahan kosong. Penelitian ini menunjukkan bahwa pada tahun 2016 menghasilkan overall accuracy dari metode SVM, RF dan GMM sebesar 80,31%; 77,68%; dan 72,16%; sedangkan tahun 2021 menunjukkan hasil overall accuracy SVM, RF dan GMM sebesar 84,84%; 78,16%; dan 74,82%. Berdasarkan nilai overall accuracy menunjukkan bahwa SVM merupakan metode terbaik dibandingkan dengan metode lainnya untuk identifikasi perubahan tutupan lahan. Metode SVM digunakan untuk memantau perubahan tutupan lahan yang terjadi antara tahun 2016 dan 2021. Hasil penelitian ini menunjukkan terjadinya perubahan tutupan lahan di Kecamatan Tirtomoyo, Kabupaten Wonogiri yaitu peningkatan luas hutan dan permukiman berturut-turut sebesar 1.817,99 ha dan 357,06 ha; penurunan luas sawah sebesar 1.804,99 ha; serta penurunan luas sedimentasi dan lahan kosong sebesar 370,06 ha.

1. Ariyantoni, J., dan Rokhmana, C. A. (2020). Evaluasi Polarisasi Citra Sar (Syhthetic Aperture Radar) Untuk Klasifikasi Obyek Tutupan Lahan. Jurnal “ELIPSOIDA,” 03(01), 22–29. https://ejournal2.undip.ac.id/index.php/elipsoida/article/view/7761/4428
2. Firmansyah, S., Gaol, J., dan Susilo, S. B. (2019). Perbandingan Klasifikasi SVM dan Decision Tree untuk Pemetaan Mangrove Berbasis Objek Menggunakan Citra Satelit Sentinel-2B Di Gili Sulat, Lombok Timur. Journal of Natural Resources and Environmental Management, 9(3), 746–757. https://doi.org/10.29244/JPSL.9.3.746-757
3. Haristu, R. A. (2019). Penerapan Metode Random Forest Untuk Prediksi Win Ratio Pemain Player Unknown Battleground. In Program Studi Teknik Informatika, Fakultas Sains Dan Teknologi, Universitas Sanata Dharma Yogyakarta. Universitas Sanata Dharma Yogyakarta.
4. McCoy, R. M. (2005). Field Methods in Remote Sensing edited by Roger M. McCoy. The Guilford Press. http://doi.wiley.com/10.1111/j.1541-0064.2006.00161_2.x
5. Nugroho, A. S., Witarto, A. B., dan Handoko, D. (2003). Support Vector Machine –Teori dan Aplikasinya dalam Bioinformatika. Kuliah Umum IlmuKomputer.Com. https://doi.org/10.1109/CCDC.2011.5968300
6. Putra, J. W. G. (2020). Pengenalan Konsep Pembelajaran Mesin dan Deep Learning. https://www.researchgate.net/publication/323700644
7. Retnoningsih, E., dan Pramudita, R. (2020). Mengenal Machine Learning Dengan Teknik Supervised Dan Unsupervised Learning Menggunakan Python. Bina Insani Ict Journal, 7(2), 156. https://doi.org/10.51211/biict.v7i2.1422
8. Rumetna, M. S., Sediyono, E., dan Hartomo, K. D. (2017). Analisis Perubahan Tata Guna Lahan di Kabupaten Bantul Menggunakan Metode Global Moran’s I. Jurnal Buana Informatika, 8(4), 225–234. https://doi.org/10.24002/jbi.v8i4.1446
9. Singh, A. (2019). https://www.analyticsvidhya.com/blog/2019/10/gaussian-mixture-models-clustering/, diakses tanggal 10 Oktober 2021
10. TIBCO Software Inc. (2021). What is a Random Forest?. https://www.tibco.com/reference-center/what-is-a-random-forest, diakses tanggal 10 Oktober 2021