Analisis Perubahan Tutupan Lahan Pertanian Tahun 2017 Dan 2021 Dengan METODE Deep Learning Convolutional Neural Network Pada Citra Satelit Sentinel-2A (Studi Kasus: Kabupaten Kediri, Provinsi Jawa Timur).

Sari, Yuneiska Kartika (2022) Analisis Perubahan Tutupan Lahan Pertanian Tahun 2017 Dan 2021 Dengan METODE Deep Learning Convolutional Neural Network Pada Citra Satelit Sentinel-2A (Studi Kasus: Kabupaten Kediri, Provinsi Jawa Timur). Other thesis, Institut Teknologi Sepuluh Nopember.

Text 03311840000027-Undergraduate_Thesis.pdf Restricted to Repository staff only Download (5MB)

Abstract

Kabupaten Kediri merupakan salah satu wilayah penyumbang produk pertanian di Jawa Timur di mana pada tahun 2017 dan 2021 lahan pertanian di Kabupaten Kediri mengalami penurunan yang cukup signifikan. Berdasarkan UU No. 41 Tahun 2009 tentang Perlindungan Lahan Pertanian Pangan Berkelanjutan disebutkan bahwa alih fungsi lahan pertanian merupakan ancaman terhadap kedaulatan dan ketahanan pangan di Indonesia. Sebagai upaya dalam mengontrol alih fungsi lahan pertanian, maka penelitian ini dilakukan dengan tujuan untuk menganalisis perubahan tutupan lahan pertanian agar tidak mengurangi ketersediaan lahan dan produktivitas pertanian. Data yang digunakan pada penelitian ini adalah citra satelit Sentinel-2A Kabupaten Kediri tahun 2017 dan 2021 dengan 8 kelas klasifikasi tutupan lahan. Metode yang digunakan pada penelitian ini adalah Deep Learning series Convolutional Neural Network (CNN). Klasifikasi tutupan lahan pada Sentinel-2A menggunakan deep learning dilakukan dengan membuat 225 label objek deep learning yang selanjutnya diproses menjadi training model. Hasil penelitian ini menunjukkan bahwa klasifikasi Sentinel-2A dengan metode deep learning CNN kurang sesuai untuk digunakan karena menghasilkan klasifikasi yang belum dapat mengklasifikasikan seluruh area penelitian pada citra. Hal ini disebabkan karena beberapa kelas tutupan lahan memiliki sedikit perbedaan warna piksel sehingga piksel yang sama pada kelas yang berbeda menyatu menjadi satu kelas dan menyebabkan beberapa wilayah di dalamnya tidak terklasifikasi. Berdasarkan hasil klasifikasi tutupan lahan Kabupaten Kediri tahun 2017 dan 2021 diketahui bahwa luas lahan pertanian yang terdiri dari kelas sawah, tegal, hutan industri dan hutan rakyat mengalami peningkatan sebesar 1434,3990 ha. Sedangkan lahan non pertanian yang terdiri dari pemukiman, sungai dan lahan terbuka mengalami peningkatan sebesar 831,7614 ha yang diakibatkan oleh adanya alih fungsi lahan pertanian menjadi lahan perumahan, tempat wisata serta pembangunan infrastruktur seperti jalan, bandar udara, dan lain sebagainya. Uji akurasi dilakukan dengan lokasi penyebaran titik sampel pada hasil klasifikasi deep learning 8 kelas tutupan lahan dengan overall accuracy 55,83% untuk tahun 2017 dan 63,33% untuk 2021. Untuk tutupan lahan pertanian dan non pertanian memiliki overall accuracy 81,25% untuk tahun 2017 dan 83,33% untuk tahun 2021. Nilai akurasi tersebut belum memenuhi standar teknis Perka BIG Nomor 15 tahun 2014 tentang Pedoman Teknis Ketelitian Peta Dasar di mana minimal nilai akurasi untuk data hasil klasifikasi tutupan lahan adalah sebesar 85%.
===================================================================================================================================
Kediri Regency is one of the areas that contribute to agricultural products in East Java in 2017 and 2021, agricultural land in Kediri Regency has decreased significantly. Based on Law no. 41 of 2009 concerning the Protection of Agricultural Land for Sustainable Food, it is stated that the conversion of agricultural land is a threat to food security and security in Indonesia. As an effort to control the conversion of agricultural land, this study was conducted with the aim of analyzing changes in agricultural land so as not to reduce land availability and agricultural productivity. The Daka data used in this study is the Sentinel-2A satellite image of Kediri Regency in 2017 and 2021 with 8 land cover classification classes. The method used in this research is Deep Learning series Convolutional Neural Network (CNN). Land cover classification on Sentinel-2A using deep learning is done by creating 225 deep learning object labels which are then used as training models. The results of this study indicate that the Sentinel-2A classification with the CNN deep learning method is not appropriate to use because it produces a classification that has not been able to classify the entire research area on the image. This is because some land cover classes have slightly different pixels so that the same in different classes becomes one class and causes some areas in them to be unclassified. Based on the land cover classification of Kediri Regency in 2017 and 2021, it is known that the area of agricultural land consisting of rice fields, dry fields, industrial forests and community forests has increased by 1434,3990 ha. Meanwhile, non-agricultural land consisting of settlements, rivers and open land increased by 831.7614 ha due to the conversion of agricultural land into residential land, tourist attractions and infrastructure development such as roads, airports, and so on. The accuracy test was carried out with the location of the distribution of sample points on the results of deep learning 8 land cover classes with an overall accuracy of 55.83% for 2017 and 63.33% for 2021. For agricultural and non-agricultural land cover, the overall accuracy was 81.25% for in 2017 and 83.33% for 2021. The accuracy value does not meet the technical standard of Perka BIG 15 of 2014 concerning Technical Guidelines for Base Map Accuracy where the minimum accuracy value for data from land cover classification is 85%.

Item Type:	Thesis (Other)
Additional Information:	RSG 621.367 8 Sar a-1 2022
Uncontrolled Keywords:	CNN, Deep Learning, Tutupan Lahan Pertanian. CNN, Deep Learning, Agricultural Land Cover.
Subjects:	G Geography. Anthropology. Recreation > G Geography (General) > G70.5.I4 Remote sensing
Divisions:	Faculty of Civil, Planning, and Geo Engineering (CIVPLAN) > Geomatics Engineering > 29202-(S1) Undergraduate Thesis
Depositing User:	Mr. Marsudiyana -
Date Deposited:	20 May 2026 01:19
Last Modified:	20 May 2026 01:19
URI:	http://repository.its.ac.id/id/eprint/133246

Actions (login required)

View Item