Monitoring Perubahan Tutupan Lahan di Kota Blitar Berbasis Algoritma Random Forest

Authors

  • Abdullah Ali BMKG

DOI:

https://doi.org/10.25077/jfu.12.3.409-415.2023

Keywords:

Monitoring, tutupan lahan, LANDSAT, Random Forest, Google Earth Engine

Abstract

Perubahan penggunaan lahan harus dimonitor dan dievaluasi untuk menghindari dampak lingkungan jangka panjang. Penelitian ini bertujuan untuk melakukan monitoring penggunaan/penutup lahan di Kota Blitar menggunakan metode klasifikasi supervised learning Random Forest (RF). Basis data yang digunakan adalah citra satelit LANDSAT dengan multitemporal tahun 2001, 2011, dan 2021 yang diolah menggunakan platform geospasial berbasis cloud Google Earth Engine (GEE). Uji akurasi hasil klasifikasi RF menunjukkan nilai koefisien kappa lebih dari 0,7 sehingga hasil klasifikasi dapat dilanjutkan untuk dianalisis perubahannya. Analisis jarak dari jalan digunakan sebagai faktor pendorong perubahan penggunaan lahan. Pada tiga kecamatan di Kota Blitar, tren luasan jenis tutupan vegetasi selalu menurun dari tahun 2001-2021, terkecuali kecamatan Sukorejo yang mengalami kenaikan 30,84 ha pada tahun 2021. Pada jenis tutupan sawah/perkebunan, hanya Kecamatan Kepanjen Kidul yang mengalami kenaikan pada tahun 2011 sebesar 18,74 ha, namun luasannya berkurang kembali pada tahun 2021 sebesar 5,04 ha. Jenis tutupan lahan terbangun selalu meningkat pada seluruh kecamatan, dengan rata-rata peningkatan sebesar 104,43 ha dalam kurun waktu 2001-2021. Perubahan menjadi lahan terbangun cenderung terjadi pada jaringan jalan utama Kota Blitar dengan radius 500m.

References

Akbar, A. S. 2016. Analisis Perubahan Tata Guna Lahan Berbasis Citra Satelit di Sekitar Kawasan Industri Candi di Kecamatan Ngaliyan. Semarang: Universitas Diponegoro

BPS, 2021, https://blitarkota.bps.go.id/publication/2021/02/26/9c8aece1efca730d41a1ecad/kota-blitar-dalam-angka-2021.html diakses 17 Juni 2021

Breiman, L., 2001. Random forests. Machine learning, 45(1), pp.5-32.

Hastie, T., Tibshirani, R. and Friedman, J., 2009. The elements of statistical learning: data mining, inference, and prediction. Springer Science & Business Media.

Legowo, P.S., 2009. Dampak Keterkaitan Infrastruktur Jaringan Jalan terhadap Pertumbuhan Sektoral Wilayah di Jabodetabek. Simposium XII FSTPT, Universitas Kristen Petra Surabaya, 14.

Nuraini, I., 2017. Kualitas pertumbuhan ekonomi daerah kabupaten/kota di jawa timur. Jurnal Ekonomi Pembangunan, 15.

Pal, M., 2005. Random forest classifier for remote sensing classification. International journal of remote sensing, 26(1), pp.217-222.

Suryoto, E.G. and Prasetyo, S.Y.J., 2020. Perbandingan Algoritma K-NN, SVM dan Random Forest untuk Klasifikasi Wilayah Risiko Kebakaran Lahan Pada Data Citra Landsat 8 OLI. Indonesian Journal of Computing and Modeling, 3(2).

Triscowati, D.W., Sartono, B., Kurnia, A., Domiri, D.D. and Wijayanto, A.W., 2019. Klasifikasi fase tanam padi menggunakan supervised random forest pada data multitemporal citra landsat-8 classification of rice plant phase using supervised random forest based on multitemporal data landsat-8 satellite. In Seminar Nasional Penginderaan Jauh 2019.

Wulandari, F. 2017. Analisis Perubahan Penggunaan Lahan di Kecamatan Ngemplak Kabupaten Boyolali Tahun 2004 dan 2015. Surakarta: Universitas Muhammadiyah Surakarta.

Yoesmarlan, E.M. and Prasetyo, S.Y.J., 2020. Klasifikasi Wilayah Risiko Kekeringan Dengan Metode Random Forest dan SVM Menggunakan Data Penginderaan Jauh LANDSAT 8 OLI Studi kasus: Kabupaten Wonogiri. Indonesian Journal of Computing and Modeling, 3(2).

Zulfajri, Z., Danoedoro, P. and Murti, S.H., 2021. KLASIFIKASI TUTUPAN LAHAN DATA LANDSAT-8 OLI MENGGUNAKAN METODE RANDOM FOREST. Jurnal Penginderaan Jauh Indonesia, 3(01), pp.1-7.

Downloads

Published

2023-07-03

How to Cite

Ali, A. (2023). Monitoring Perubahan Tutupan Lahan di Kota Blitar Berbasis Algoritma Random Forest. Jurnal Fisika Unand, 12(3), 410–416. https://doi.org/10.25077/jfu.12.3.409-415.2023

Issue

Section

Articles