Klasifikasi Penutupan/Penggunaan Lahan Menggunakan Metode Random Forest dan Support Vector Machine Pada Platform Google Earth Engine (Land Cover/Land Use Classification Using Random Forest and Support Vector Machine Methods on the Google Earth Engine Platform).

Abstract

Kabupaten Bogor memiliki heterogenitas penutupan/penggunaan lahan yang tinggi dan mengalami dinamika perubahan lahan akibat perkembangan wilayah metropolitan Jabodetabek. Kondisi tersebut menuntut ketersediaan informasi penutupan/penggunaan lahan yang reliabel untuk mendukung perencanaan tata ruang dan pengelolaan lingkungan. Penelitian ini bertujuan untuk memetakan penutupan/penggunaan lahan Kabupaten Bogor menggunakan algoritma Random Forest (RF) dan Support Vector Machine (SVM) pada platform Google Earth Engine (GEE), serta membandingkan performa kedua algoritma tersebut. Data yang digunakan meliputi citra Landsat 8 OLI dan Landsat 9 OLI-2, indeks spektral EVI, NBR, NDMI, NDWI, NDBI, NBR2, serta data elevasi SRTM. Hasil penelitian menunjukkan bahwa RF menghasilkan performa yang lebih baik dibandingkan SVM. RF memperoleh Overall Accuracy sebesar 90,4% dan koefisien Kappa sebesar 87,6%, sedangkan SVM memperoleh Overall Accuracy sebesar 81,6% dan Kappa sebesar 75,8%. Analisis confusion matrix menunjukkan bahwa kesalahan klasifikasi terbesar pada kedua algoritma terjadi pada kelas vegetasi yang memiliki karakteristik spektral saling berdekatan, terutama kebun campuran, tegalan, dan rumput. Secara visual, RF menghasilkan pola klasifikasi yang lebih homogen dengan efek salt and pepper yang lebih rendah dibandingkan SVM. Hasil klasifikasi RF menunjukkan bahwa tutupan lahan Kabupaten Bogor didominasi oleh hutan seluas 116.952,07 ha, sedangkan hasil SVM menunjukkan luas hutan sebesar 129.857,61 ha. Selain itu, hasil penelitian menunjukkan bahwa algoritma RF lebih andal dalam memetakan penutupan/penggunaan lahan pada wilayah dengan karakteristik heterogen dibandingkan SVM.

Kata kunci: Akurasi, GEE, Kabupaten Bogor

Bogor Regency is characterized by highly heterogeneous land cover/land use and has experienced substantial land-use dynamics associated with the development of the Greater Jakarta (Jabodetabek) metropolitan area. These conditions necessitate the availability of accurate land cover/land use information to support spatial planning and environmental management. This study aimed to map land cover/land use in Bogor Regency using the Random Forest (RF) and Support Vector Machine (SVM) algorithms on the Google Earth Engine (GEE) platform and to compare the performance of the two classification methods. The datasets used in this study consisted of Landsat 8 and Landsat 9 imagery, spectral indices including EVI, NBR, NDMI, NDWI, NDBI, and NBR2, as well as SRTM elevation data. The results showed that the RF algorithm outperformed SVM in land cover/land use classification. RF achieved an Overall Accuracy of 90.4% and a Kappa coefficient of 87.6%, whereas SVM produced an Overall Accuracy of 81.6% and a Kappa coefficient of 75.8%. The confusion matrix analysis indicated that the largest classification errors for both algorithms occurred among vegetation-related classes with similar spectral characteristics, particularly mixed plantations, dryland agriculture, and grassland. Visually, RF generated a more homogeneous classification pattern with a lower salt-and-pepper effect than SVM. The RF classification results revealed that forest was the dominant land cover class in Bogor Regency, covering 116,952.07 ha, while the SVM classification estimated a forest area of 129,857.61 ha. Overall, the findings indicate that the RF algorithm is more effective than SVM for mapping land cover/land use in areas with highly heterogeneous landscape characteristics.

Keywords: accuracy, GEE, Bogor Regency.