This literature review is carried out systematically and aims to identify and analyze research trends, data collections, methods, and frameworks used in estimating forest stand volume (VTH) research with sentinel and (machine learning) ML from 2014 to 2021 so that it can provide answers. on the research questions of this study. The results of the analysis of 24 selected articles based on inclusion-exclusion criteria showed that VTH studies with sentinel and ML generally combine sentinel with other images, such as ALOS-2 L Band, Landsat, ALOS DSM and DEM data. S2-spectral band, S2-vegetation index, slope, S1-backscatter, elevation, are the variables most widely used as predictors. RF (random forest regression), SVR (support vector regression), MLR (multi linear regression) and kNN (k-nearest neighbor) algorithms are the most widely used algorithms. The potential for significantly increasing the accuracy of VTH estimation results can be done by adding environmental factors as a predictor variable.The study of Mauya et al, Reis et al and Chen et al which combines optical, SAR and topographic data, reported a significant increase in the accuracy of VTH estimation.Furthermore Mauya et al suggested that the weighted average approach of pixels in extracting variables from image based on the position of the field plot produces a better estimation model than using the centroid approach Optimizing the use of red edge bands in VTH estimation conducted by Jiang et al, Ahmadi et al and Hu et al, shows a more significant correlation between red edge bands and VTH than other S2-derived features s proves that the modification of the vegetation index formula by replacing the band (NIR) with a red edge band is proven to significantly increase its correlation with stand volume and performs very well on the RF, SVM and MLR algorithms in estimating VTH. The kriging geostatistical method by Chen et al and Bolat concluded that SVR-kriging and Regression-kriging each outperformed SVR and had better accuracy in predicting VTH. AbstrakTinjauan literatur ini dilakukan secara sistematis dan bertujuan untuk mengidentifikasi serta menganalisis tren penelitian, kumpulan data, metode, dan kerangka kerja yang digunakan dalam penelitian pendugaan volume tegakan hutan (VTH) dengan sentinel dan machine learning (ML) tahun 2014 sampai 2021 sehingga dapat memberikan jawaban atas pertanyaan penelitian kajian ini. Hasil analisis terhadap 24 artikel terpilih berdasarkan kriteria inklusi-eksklusi menunjukan bahwa kajian VTH dengan sentinel dan ML, umumnya mengkombinasikan sentinel dengan citra lain, seperti ALOS-2 L Band, Landsat, ALOS DSM dan data DEM. Band S2-spektral, S2-indeks vegetasi, slope, S1-backscatter, elevation, adalah variable variable yang paling banyak digunakan sebagai prediktor. Algoritma RF (random forest regression), SVR (support vector regression), MLR (multi linear regression) dan kNN (k-nearest neighbor merupakan algotirma yang ditemukan paling banyak digunakan. Potensi peningkatan akurasi hasil pendugaan VTH secara signifikan dapat dilakukan dengan menambahkan faktor lingkungan sebagai variabel prediktor. Studi Mauya et al, Reis et al dan Chen et al yang mengkombinasikan data optis, SAR dan topografi, melaporkan adanya peningkatan akurasi pendugaan VTH yang signifikan. Selanjutnya Mauya et al mengemukakan bahwa pendekatan rata rata tertimbang dari piksel dalam mengekstraksi variabel dari citra berdasarkan posisi plot lapangan menghasilkan model pendugaan yang lebih baik dari pada menggunakan pendekatan centroid. Optimalisasi pemanfaatan band red edge dalam pendugaan VTH yang dilakukan oleh Jiang et al, Ahmadi et al dan Hu et al, menunjukan koleasi yang lebih signifikan antara band red edge dengan VTH daripada fitur lain yang diturunkan dari S2. Chyrysafis membuktikan bahwa modifikasi rumus indeks vegetasi dengan mengganti band (NIR) dengan band red edge terbukti meningkatkan korelasinya dengan volume tegakan secara signifikan dan berkinerja sangat baik pada algoritma RF, SVM maupun MLR dalam menduga VTH. Metode geostatistik kriging yang dilakukan Chen et al dan Bolat, menyimpulkan bahwa SVR-kriging dan Regresi-kriging masing-masing mengungguli kinerja SVR dan memiliki akurasi yang lebih baik dalam memprediksi VTH. Katakunci: Citra Sentinel, Machine Learning, Tegakan Hutan