<![CDATA[Perubahan tutupan lahan di kawasan cepat tumbuh menuntut sistem pemantauan yang efisien dan presisi berbasis citra satelit. Kajian mutakhir menegaskan bahwa klasifikasi berbantuan machine learning meningkatkan reliabilitas peta Land Use Land Change dibanding metode tradisional.Penelitian ini bertujuan untuk mengidentifikasi model klasifikasi terbaik dalam menentukan jenis tutupan lahan di wilayah Kabupaten Banjar. Metode yang digunakan adalah pendekatan machine learning dengan membandingkan 2 algoritma klasifikasi, khususnya metode Random Forest dan Support Vector Machine. Proses pelaksanaan mencakup pengolahan data citra, ekstraksi fitur, pelatihan model, serta evaluasi akurasi menggunakan data validasi. Teknik analisis dilakukan dengan menguji berbagai parameter model untuk mendapatkan kombinasi terbaik dalam meningkatkan performa klasifikasi. Hasil penelitian menunjukkan bahwa metode Random Forest dengan 700 pohon (RF_700trees) memberikan akurasi tertinggi sebesar 91,3%, sedangkan metode Support Vector Machine dengan kernel linier mencapai akurasi 87%. Penambahan jumlah pohon pada metode Random Forest terbukti meningkatkan akurasi hingga titik tertentu, namun setelah melewati batas optimal justru mengalami penurunan performa. Pemilihan parameter yang tepat sangat mempengaruhi kinerja model secara keseluruhan. Berdasarkan hasil tersebut, metode Random Forest dengan 700 pohon (RF_700trees) menjadi model paling optimal untuk klasifikasi tutupan lahan pada data yang digunakan dalam penelitian ini.]]>
