Metode konvensional seperti klasifikasi berbasis piksel yang biasa digunakan dalam melakukan klasifikasi tutupan lahan membutuhkan waktu yang cukup lama, selain itu dibutuhkan komputer yang memiliki performa yang tinggi agar proses pengolahan citra dapat berjalan dengan lancar. Google Earth Engine (GEE) memungkinkan pengguna untuk melakukan pengolahan citra satelit ter-georeferensi yang tersimpan pada arsip (cloud) GEE dengan membangun suatu algoritma untuk menjalankannya. GEE juga mempunyai beberapa metode machine learning untuk analisis citra. Salah satu metode machine learning yang popular digunakan adalah Random Forest. Random Forest (RF) telah banyak digunakan mengklasifikasikan citra satelit seperti yang dilakukan. Keunggulan dari metode RF, di antaranya non-parametrik, mampu menggunakan set data kontinyu dan tidak sensitif terhadap over-fitting. RF adalah metode potensial untuk memetakan tutupan lahan dibandingkan dengan metode konvensional. Dilakukan penelitian tentang perubahan tutupan lahan menggunakan Algoritma Random Forest pada platform GEE di Kabupaten Klaten Jawa Tengah pada tahun 2019 – 2023 selama Pembangunan Jalan Tol Yogyakarta – Solo. Analisis perubahan tutupan lahan dilakukan menggunakan data citra satelit Sentinel 2A. Selain analisis tutupan lahan dari hasil algoritma RF, dilakukan uji akurasi menggunakan matriks konfusi. Hasil model Random Forest yang sudah dijalankan menunjukan hasil perubahan lahan masing – masing kelas tutupan lahan, dengan kelas paling banyak berubah pada bangunan bertambah sebanyak 4.972 ha serta paling berkurang pada kelas badan air 0.341 ha. hasil klasifikasi model Random Forest juga menunjukan uji akurasi dengan Kappa Accuracy 77% pada tahun 2019, serta Kappa Accuracy 84% pada tahun 2023.