Klasifikasi Tutupan Lahan Perkotaan Menggunakan Citra Satelit Sentinel-2 dan Pendekatan Machine Learning Algoritma Random Forest (Studi Kasus: Kota Palu): Urban Land Cover Classification Using Sentinel-2 Satellite Imagery and the Random Forest Machine Learning Algorithm (Case Study: Palu City)

Radhinal, Yan
Putri Abdi, Azizah
Nur Annisa Ahmad, Despry

Jurnal Kolaboratif Sains
Vol. 8 No. 8: Agustus 2025

Data tutupan lahan (land cover) yang akurat dan mutakhir merupakan fondasi penting bagi perencanaan tata ruang, pemantauan lingkungan, dan pengambilan kebijakan pembangunan di wilayah perkotaan. Penelitian ini menyajikan sebuah metode yang efisien untuk mengklasifikasikan tutupan lahan di Kota Palu menggunakan citra satelit Sentinel-2 dan algoritma machine learning Random Forest. Dengan memanfaatkan platform komputasi awan Google Earth Engine (GEE), citra satelit untuk tahun 2024 diproses menjadi sebuah komposit bebas awan. Klasifikasi dilakukan dengan memanfaatkan data spektral dari citra tersebut untuk mengidentifikasi lima kelas tutupan lahan utama. Lima kelas tutupan lahan utama diidentifikasi: (1) Lahan Terbangun, (2) Vegetasi Rapat, (3) Vegetasi Jarang, (4) Badan Air, dan (5) Lahan Terbuka/Pasir. Akurasi model dievaluasi menggunakan metode validasi standar (30% dari total sampel) dan menunjukkan akurasi keseluruhan 95,27% dengan koefisien Kappa 0,819. Hasil penelitian ini berupa peta tutupan lahan digital beresolusi tinggi yang dapat menjadi data dasar krusial bagi pemerintah Kota Palu dalam merumuskan kebijakan tata ruang, memantau perubahan lingkungan, serta mendukung perencanaan mitigasi bencana yang lebih efektif.