Metode Pemetaan Tutupan Lahan

Hutan Pendidikan UNISMUH Makassar (KHDTK)

Metode Klasifikasi Tutupan Lahan (LULC) dengan Random Forest

Peta tutupan lahan pada halaman Land Use Change dihasilkan dengan klasifikasi supervised Random Forest pada citra Sentinel-2. Training menggunakan 540 titik sampel dari 7 kelas tutupan lahan. Halaman ini memuat data training, variabel input, proses klasifikasi, dan hasil validasi.

540 Titik sampel

7 Kelas tutupan lahan

106 Variabel input

92,2% Overall Accuracy

1. Data Training

Titik Sampel dan Kelas Tutupan Lahan

Data training terdiri dari 540 titik dalam 7 kelas tutupan lahan. Label setiap titik ditentukan dengan interpretasi visual citra resolusi tinggi Google Earth dan profil NDVI.

Luas KHDTK sekitar 230 ha. Sebanyak 66 titik berada di dalam KHDTK dan 474 titik di sekitarnya, dalam area analisis seluas sekitar 4.580 ha.

#	Kelas	Jumlah Titik	Deskripsi
1	Hutan Rapat (Dense Forest)	48	Tajuk rapat dan tertutup
2	Hutan Jarang (Sparse Forest)	87	Tajuk lebih terbuka, termasuk hutan sekunder
3	Semak Belukar (Shrubland)	173	Semak, vegetasi terbuka, dan tegakan muda
5	Pertanian (Agriculture)	62	Sawah, ladang, dan kebun (40 titik sawah)
6	Lahan Terbuka (Bare Land)	74	Tanah terbuka dan lahan bekas panen
7	Badan Air (Water Body)	62	Sungai, waduk, dan genangan
8	Lahan Terbangun (Built-up)	34	Permukiman, jalan, dan bangunan

Nomor kelas mengikuti skema 8 kelas. Kelas 4 (Perkebunan) tidak memiliki titik sampel.

Gambar 1. Sebaran 540 titik sampel. Garis ungu putus-putus: batas KHDTK UNISMUH.

Gambar 2. Jumlah titik sampel per kelas. Garis merah putus-putus: batas minimum 30 titik per kelas.

2. Variabel Input

Band Spektral, Indeks, dan Topografi

Setiap piksel memiliki 106 variabel input: 17 variabel spektral dari 6 tanggal citra Sentinel-2 (6 × 17 = 102) dan 4 variabel topografi.

Band Sentinel-2

B2 Blue B3 Green B4 Red B5 Red Edge 1 B6 Red Edge 2 B7 Red Edge 3 B8 NIR B8A Red Edge 4 B11 SWIR 1 B12 SWIR 2

Tanggal citra

29 Mei 2023 17 Agu 2023 21 Sep 2023 26 Sep 2023 5 Nov 2023 28 Mei 2025

Indeks spektral

NDVI: Normalized Difference Vegetation Index
NDWI: Normalized Difference Water Index
MNDWI: Modified Normalized Difference Water Index
NDBI: Normalized Difference Built-up Index
EVI: Enhanced Vegetation Index

Topografi (DEMNAS)

Elevasi (m)
Kemiringan lereng (°)
Aspek lereng
TWI: Topographic Wetness Index

Gambar 3. Boxplot NDVI, NDWI, MNDWI, NDBI, NIR (B8), dan SWIR1 (B11) per kelas, citra 17 Agustus 2023.

Gambar 4. Jarak Jeffries-Matusita antarkelas (0 = tidak terpisah, 2 = terpisah sempurna). Nilai terendah: Semak Belukar dan Hutan Jarang (0,31).

3. Klasifikasi

Random Forest

Random Forest adalah ensemble dari banyak decision tree. Kelas setiap piksel ditentukan dari mayoritas hasil seluruh tree.

1

Model penelitian

106 variabel input, 200 decision tree, training dengan 540 titik sampel. Seluruh angka akurasi dan gambar pada halaman ini berasal dari model ini.

2

Model peta bulanan

Peta pada halaman Land Use Change dihasilkan di Google Earth Engine dengan 200 decision tree dan 15 variabel input (10 band Sentinel-2 dan 5 indeks spektral). Training menggunakan komposit median musim kemarau Juni–November 2023, kemudian model diterapkan pada komposit median bulanan. Cloud masking menggunakan band SCL.

3

Penggabungan kelas

8 kelas hasil klasifikasi digabung menjadi 5 kelas tampilan: Hutan Lebat, Hutan, Semak/Perkebunan, Lahan Terbuka (pertanian dan lahan terbuka), dan Non-vegetasi (badan air dan lahan terbangun).

4. Validasi

Akurasi Klasifikasi

92,2% Overall Accuracy (5-fold cross-validation)

0,90 Koefisien Kappa

90,4–94,6% Confidence interval 95% (bootstrap)

Pada 5-fold cross-validation, 498 dari 540 titik terklasifikasi benar. Hutan Rapat dan Semak Belukar terklasifikasi 100% benar. Kesalahan terbesar: 10 titik Hutan Jarang terklasifikasi sebagai Semak Belukar, dan 8 titik Lahan Terbuka terklasifikasi sebagai Pertanian.

Gambar 5. Confusion matrix 5-fold cross-validation. Baris: kelas aktual; kolom: kelas prediksi. Angka dalam kurung: persentase dari kelas aktual.

Akurasi per kelas

Kelas	Producer's Accuracy	User's Accuracy
Hutan Rapat	100%	100%
Hutan Jarang	88,5%	97,5%
Semak Belukar	100%	91,1%
Pertanian	88,7%	84,6%
Lahan Terbuka	77,0%	89,1%
Badan Air	96,8%	90,9%
Lahan Terbangun	82,4%	100%

Dihitung dari confusion matrix pada Gambar 5.

Gambar 6. Bootstrap confidence interval 95% (1.000 iterasi): Overall Accuracy 90,4–94,6%, Kappa 0,88–0,93.

Gambar 7. Area-adjusted accuracy (Olofsson dkk., 2014): Overall Accuracy 96,7% ± 2,9%. Producer's Accuracy terendah: Lahan Terbuka 41% dan Lahan Terbangun 76%.

Spatial block cross-validation

Area studi dibagi menjadi 6 blok spasial. Setiap blok diuji dengan model hasil training dari 5 blok lainnya, sehingga titik testing tidak berdekatan dengan titik training. Hasil: Overall Accuracy 58,9%, Kappa 0,51.

Gambar 8. Pembagian 6 blok spatial block cross-validation.

Gambar 9. Learning curve. Akurasi validasi masih naik hingga seluruh sampel digunakan.

Gambar 10. Feature importance (Gini), 20 variabel teratas. Variabel terpenting: elevasi, diikuti NIR (B8, B8A) dan EVI dari citra 21 dan 26 September 2023.

5. Perubahan Lahan

Perubahan Tutupan Lahan 2023–2025

Peta 2023 dan 2025 dibandingkan per piksel. Hanya piksel yang valid pada kedua tanggal yang dihitung.

Gambar 11. Matriks perubahan tutupan lahan 2023–2025 (ha) untuk seluruh area analisis. Baris: kelas 2023; kolom: kelas 2025; diagonal: luas yang tidak berubah.