<![CDATA[Pemetaan tutupan lahan yang akurat sangat penting untuk mendukung perencanaan tata ruang, khususnya di wilayah dengan dinamika perubahan tinggi seperti BWP I IKN dan sekitarnya. Kawasan ini sebagian besar masih didominasi oleh hutan dan berada di wilayah beriklim tropis dengan tingkat tutupan awan yang tinggi sepanjang tahun, sehingga penggunaan citra optik seperti Sentinel-2 sering terhambat oleh awan, yang dapat menyebabkan data tidak lengkap atau bias. Untuk mengatasi keterbatasan ini, penelitian ini mengintegrasikan citra radar Sentinel-1 dan citra optik Sentinel-2 pada tahun 2024, dengan menggunakan algoritma random forest untuk mengklasifikasikan empat kelas utama: badan air, vegetasi, lahan terbuka, dan lahan terbangun. Sentinel-1 memungkinkan akuisisi data secara konsisten meskipun dalam kondisi berawan, sehingga melengkapi kelemahan Sentinel-2. Hasil validasi menggunakan confusion matrix dengan pembagian 70% data untuk pelatihan dan 30% untuk pengujian menunjukkan bahwa pada data testing, akurasi meningkat dari overall accuracy 66,13% dan kappa coefficient 0,55 (tanpa integrasi) menjadi 85,47% dan 0,80 (dengan integrasi). Sementara pada data validasi, akurasi meningkat dari 68,42% dan 0,53 menjadi 86,30% dan 0,79. Hasil ini menunjukkan bahwa integrasi informasi tekstural dari Sentinel-1 dan informasi spektral dari Sentinel-2 mampu menghasilkan klasifikasi tutupan lahan yang lebih akurat, konsisten, dan representatif terhadap kondisi sebenarnya di lapangan.]]>
