<![CDATA[Klasifikasi tutupan lahan yang akurat memainkan peran penting dalam pemantauan lingkungan, perencanaan perkotaan, dan pengelolaan sumber daya berkelanjutan. Dengan meningkatnya kekhawatiran terhadap perubahan penggunaan lahan dan degradasi ekologis, pengembangan metode klasifikasi yang efektif menjadi semakin penting, terutama di wilayah yang mengalami transformasi lanskap secara cepat. Penelitian ini mengevaluasi kinerja tujuh algoritma machine learning (Random Forest, Extra Trees, Logistic Regression, Decision Tree, Naive Bayes, SGD Classifier, dan LightGBM) untuk klasifikasi tutupan lahan menggunakan data satelit Sentinel-2 di wilayah Jambi. Studi ini menggunakan 23 fitur, termasuk 10 band spektral dan 13 indeks spektral, dengan data yang dikumpulkan selama Q4 2024. Hasil menunjukkan bahwa Random Forest mencapai kinerja terbaik secara keseluruhan dengan akurasi 85.91% dan weighted F1-score 85.48%, diikuti oleh Extra Trees dengan akurasi 84.45%. Algoritma berbasis pohon keputusan menunjukkan kemampuan yang lebih unggul dalam membedakan area perkotaan, vegetasi, dan badan air, meskipun semua algoritma menghadapi tantangan dengan kelas minoritas. Temuan ini merepresentasikan peningkatan signifikan dibandingkan pendekatan sebelumnya yang hanya mencapai akurasi 37.7%-66.9% menggunakan indeks vegetasi tunggal. Peningkatan akurasi klasifikasi memungkinkan pemantauan yang lebih efektif terhadap deforestasi, ekspansi perkotaan, dan perubahan ekosistem di wilayah tropis, memberikan dukungan penting bagi kebijakan pengelolaan lahan berbasis bukti dan strategi konservasi di lanskap kompleks seperti Jambi.]]>
Copyrights © 2025
