Perbandingan Algoritma Classification and Regression Tree (CART) dan Random Forest (RF) untuk Klasifikasi Penggunaan Lahan pada Google Earth Engine

Abstrak

Perubahan penggunaan lahan terus terjadi seiring dengan pertumbuhan jumlah penduduk dan aktivitas ikutannya. Diperlukan analisis yang cepat dan akurat untuk mendukung tatakelolanya. Salah satu yang dibutuhkan adalah teknik klasifikasi penggunan lahan yang cepat dan efektif salah satunya dapat dilakukan melaluiplatform berbasis cloud Google Earth Engine (GEE) dengan memanfaatkan citra multi-spektral dan melibatkan berbagai algoritma pengolahan. Setidaknya terdapat dua metode klasifikasi menggunakan algoritma pohon keputusan (decision tree algorithm) yaitu: Classification and Regression Tree (CART) dan Random Forest (RF). Perbedaan metode klasifikasi memungkinkan terjadinya perbedaan akurasi dari klasifikasi yang dihasilkan. Belum banyak penelitian yang menjelaskan bagaimana perbedaan tingkat akurasi dan efektifitas kedua metode ini. Penelitian ini bertujuan untuk mengidentifikasi metode klasifikasi yang akurat dan efektifdengan membandingakan nilai akurasi kedua metode pada citra Landsat 8 dan Sentinel 2A. Metode RF menunjukkan nilai akurasi yang lebih tinggi dibandingkan metode CART pada citra Landsat 8 dan Sentinel 2A. Proporsi sampel 60:40 merupakan proporsi yang paling optimal dengan nilai akurasi paling tinggi pada masing-masing metode klasifikasi dan citra yang digunakan. Penggunaan citra Landsat 8 dengan proporsi sampel 60:40 menghasilkan nilai akurasi paling tinggi (OA=93,94% dan Kappa=0,927).