PEMETAAN TUTUPAN LAHAN MENGGUNAKAN RANDOM FOREST PADA PLATFORM GOOGLE EARTH ENGINE: STUDI KASUS IKN

Abstract

Transformasi menuju pembangunan berkelanjutan di Ibu Kota Nusantara (IKN) memerlukan informasi spasial yang akurat terkait kondisi tutupan lahan. Penelitian ini bertujuan untuk memetakan tutupan lahan menggunakan algoritma Random Forest (RF) yang diimplementasikan pada platform cloud computing Google Earth Engine (GEE). Data yang digunakan berupa citra Sentinel-2 Level-2A tahun 2023 dengan resolusi spasial 10 meter. Data latih diperoleh dari interpretasi citra resolusi tinggi dan dibagi menjadi 70% untuk pelatihan dan 30% untuk validasi. Proses klasifikasi dilakukan dengan memanfaatkan band spektral utama serta indeks vegetasi (NDVI) dan indeks air (NDWI). Hasil klasifikasi menunjukkan bahwa algoritma RF mampu menghasilkan akurasi keseluruhan sebesar 88% dengan nilai kappa 0,85. Peta hasil klasifikasi membedakan lima kelas utama: vegetasi alami, vegetasi budidaya, lahan terbangun, lahan terbuka, dan badan air. Penelitian ini membuktikan bahwa integrasi machine learning khususnya Algoritma Supervised Learning Random Forest dan Platform GEE mampu menyediakan informasi spasial yang akurat, efisien, dan dapat direplikasi, sehingga relevan untuk mendukung perencanaan tata ruang, konservasi lingkungan, dan pemanfaatan energi terbarukan di kawasan IKN