Analisis Perubahan Tutupan Lahan Tahun 2015 Dan 2021 Dengan Metode Random Forest (Rf) Dan Support Vector Machine (SVM) (Studi Kasus: Kota Mataram).

Raihan, Muhammad Anis (2022) Analisis Perubahan Tutupan Lahan Tahun 2015 Dan 2021 Dengan Metode Random Forest (Rf) Dan Support Vector Machine (SVM) (Studi Kasus: Kota Mataram). Other thesis, Institut Teknologi Sepuluh Nopember.

Text 03311840000020_UNDERGRADUATE_THESIS.pdf Restricted to Repository staff only Download (5MB)

Abstract

Perubahan lahan yang terjadi dapat diamati menggunakan citra satelit dan merupakan informasi yang sangat dibutuhkan untuk pembangunan suatu wilayah. Pengolahan data citra satelit untuk mendapatkan klasifikasi tutupan lahan dapat dilakukan dengan berbagai cara, salah satu dengan metode machine learning. Penelitian ini bertujuan untuk menerapkan metode machine learning dalam pemantauan perubahan tutupan lahan menggunakan citra Landsat-8, sehingga didapatkan metode yang memiliki akurasi tinggi dan cocok untuk pemantauan perubahan tutupan lahan. Pada penelitian ini menggunakan metode machine learning dengan algoritma yaitu support vector machine (SVM) dan random forest (RF). Klasifikasi tutupan lahan yang diterapkan pada penelitian ini terdiri dari lima kelas yaitu, area terbangun, badan air, lahan kosong, pertanian, dan vegetasi. Penentuan kelas tutupan lahan ditentukan berdasarkan jenis tutupan lahan yang berada pada Peta RTRW Kota Mataram Tahun 2011-2031, namun dilakukan penyesuaian dengan citra yang digunakan. Penelitian ini menunjukkan hasil menggunakan metode SVM lebih baik dibandingkan metode RF dengan nilai overall accuracy dan kappa accuracy baik pada tahun 2015 maupun 2021 secara berturut turut 0,9286 ; 0,9118 dan 0,9101 ; 0,8748. Berdasarkan hasil klasifikasi yang dilakukan, terdapat perubahan tutupan lahan yang terjadi antara tahun 2015 dan 2021 di Kota Mataram yaitu peningkatan luas badan air, lahan kosong, dan pertanian berturut-turut sebesar 0,99 ha; 80,82 ha; dan 296,01 ha dan terjadi penurunan luas area terbangun dan vegetasi sebesar 293,94 ha dan 83,88 ha. Terjadinya perubahan luasan tutupan lahan yang signifikan dapat dikarenakan adanya perubahan fungsi penggunaan lahan dan kesalahan klasifikasi yang disebabkan oleh beberapa faktor seperti nilai reflectance tiap piksel yang hampir sama dan lainnya. Hasil tersebut dapat dijadikan pertimbangan bagi instansi terkait dalam memperhatikan faktor-faktor yang dapat mempengaruhi hasil klasifikasi tutupan lahan yang diperoleh.
===================================================================================================================================
The occurrence of land changes can be observed using satellite imagery and it contains information that is needed for the development of an area. There are many approaches to classifying land cover using satellite image data, including using machine learning method. This study aims to apply machine learning methods in monitoring land cover changes using Landsat-8 imagery and to obtain high-accuracy modeling that is suitable for monitoring land cover changes. This study uses machine learning methods with algorithms, namely support vector machine (SVM) and random forest (RF). The land cover classification applied in this study consists of five classes: built-up areas, water bodies, vacant land, agriculture, and vegetation. Determination of land cover class is based on the type of land cover on the RT-RW Map of Mataram City in 2011-2031, but adjustments are made to the image used. This study shows that the SVM method is better than the RF method with the overall accuracy and kappa accuracy values in 2015 and 2021 respectively 0.9286; 0.9118 and 0.9101; 0.8748. Based on the results of the classification, there are changes in land cover that occur between 2015 and 2021 in Mataram City, such as an increase in the area of water bodies, bareland, and agriculture by 0.99 ha, respectively; 80.82 ha; and 296.01 ha and there was a decrease in the built-up area and vegetation by 293.94 ha and 83.88 ha, respectively. The occurrence of significant changes in the land cover area is caused by changes in land use by functions and classification errors by several factors such as the reflectance value of each pixel each other. These results can be used as consideration for the relevant agencies in paying attention to the factors that can affect the results of land cover classification obtained.

Item Type:	Thesis (Other)
Additional Information:	RSG 333.731 5 Rai a-1 2022
Uncontrolled Keywords:	Perubahan Tutupan Lahan, Landsat 8, Support Vector Machine, Random Forest. Land Cover Change, Landsat 8, Support Vector Machine, Random Forest.
Divisions:	Faculty of Civil, Planning, and Geo Engineering (CIVPLAN) > Geomatics Engineering > 29202-(S1) Undergraduate Thesis
Depositing User:	Mr. Marsudiyana -
Date Deposited:	18 May 2026 08:47
Last Modified:	18 May 2026 08:47
URI:	http://repository.its.ac.id/id/eprint/133237

Actions (login required)

View Item