Evaluasi dan Perbandingan Algoritma Klasifikasi dalam Analisis Penggunaan Lahan dengan Teknologi Remote Sensing: Sebuah Kajian Sistematik

Putu Raditia Satriawan; Gusti Michael Ferdinand; I Nyoman Putra Satya Natha; I Gst Ayu Pradnya Saci Devi Sastrawan; Ni Wayan Marti; Ni Putu Novita Puspa Dewi

doi:10.23887/insert.v5i2.79086

Authors

Putu Raditia Satriawan Universitas Pendidikan Ganesha
Gusti Michael Ferdinand Universitas Pendidikan Ganesha
I Nyoman Putra Satya Natha Universitas Pendidikan Ganesha
I Gst Ayu Pradnya Saci Devi Sastrawan Universitas Pendidikan Ganesha
Ni Wayan Marti Universitas Pendidikan Ganesha
Ni Putu Novita Puspa Dewi Universitas Pendidikan Ganesha

DOI:

https://doi.org/10.23887/insert.v5i2.79086

Keywords:

Remote Sensing, Klasifikasi LULC, Algoritma, Analisa

Abstract

Teknologi Remote Sensing memainkan peran penting dalam pemantauan dinamika penggunaan lahan, memberikan wawasan berharga untuk manajemen lingkungan dan perencanaan perkotaan. Pemilihan algoritma yang tepat merupakan aspek kunci dalam analisis Remote Sensing untuk mengklasifikasikan kategori Land Use dan Land Cover secara akurat. Sistematik review ini menganalisis studi-studi yang menggunakan lima algoritma klasifikasi umum dalam penginderaan jauh: Random Forest (RF), Support Vector Machine (SVM), k-Nearest Neighbors (kNN), Decision Trees (DT), Artificial Neural Network (ANN), dan Classification and Regression Tree (CART) Setiap algoritma dievaluasi berdasarkan kelebihan dan kelemahan serta kompleksitas data dan tujuan analisis. Hasil review menunjukkan bahwa RF seringkali menjadi pilihan terbaik dalam berbagai kasus karena akurasinya yang tinggi dan kemampuan menangani data besar. SVM menunjukkan performa maksimal dan efisiensi dalam kondisi data yang lebih spesifik. Algoritma kNN, DT, ANN, dan CART juga memiliki aplikasi yang signifikan namun tergantung pada konteks penggunaan. Pemilihan algoritma yang tepat sangat bergantung pada karakteristik data dan tujuan analisis. Kombinasi algoritma atau pendekatan ensemble dapat meningkatkan akurasi klasifikasi penggunaan lahan. Implementasi algoritma yang tepat dalam Remote Sensing akan memberikan kontribusi signifikan pada manajemen lingkungan dan perencanaan perkotaan yang lebih baik.

References

Aisah, I. S., Irawan, B., & Suprapti, T. (2023). ALGORITMA SUPPORT VECTOR MACHINE (SVM) UNTUK ANALISIS SENTIMEN ULASAN APLIKASI AL QUR’AN DIGITAL. Jurnal Mahasiswa Teknik Informatika (Vol. 7).

Farikhi, F. A., & Pramono, R. W. D. (2023). Perbandingan algoritma classification and regression tree (cart) dan random forest (rf) untuk klasifikasi penggunaan lahan pada google earth engine. Spatial/Spatial : Wahana Komunikasi Dan Informasi Geografi, 23(2), 170–179. https://doi.org/10.21009/spatial.232.09

Biswas, J., Jobaer, M. A., Haque, S. F., Islam Shozib, M. S., & Limon, Z. A. (2023). Mapping and monitoring land use land cover dynamics employing Google Earth Engine and machine learning algorithms on Chattogram, Bangladesh. Heliyon, 9(11). doi:10.1016/j.heliyon.2023.e21245

Dembélé, F., Guuroh, R. T., Ansah, P. B., Asare, D. C. B. M., Da, S. S., Aryee, J. N. A., & Adu-Bredu, S. (2024). Land use land cover change and intensity analysis of land transformation in and around a moist semi-deciduous forest in Ghana. Trees, Forests and People, 15. doi:10.1016/j.tfp.2024.100507

Hasan, M. Z., Leya, R. S., & Islam, K. S. (2022). COMPARATIVE ASSESSMENT OF MACHINE LEARNING ALGORITHMS FOR LAND USE AND LAND COVER CLASSIFICATION USING MULTISPECTRAL REMOTE SENSING IMAGE. Khulna University Studies, 33–46. doi:10.53808/kus.2022.icstem4ir.0124-se

Hidayati, N., & Hermawan, A. (2021). K-Nearest Neighbor (K-NN) algorithm with Euclidean and Manhattan in classification of student graduation. Journal of Engineering and Applied Technology, 2(2). doi:10.21831/jeatech.v2i2.42777

Kung Villareal, M., & Fernandez Tongco, A. (2020). Remote Sensing Techniques for Classification and Mapping of Sugarcane Growth. Technology & Applied Science Research (Vol. 10). Retrieved from www.etasr.com

Mohammadpour, P., Viegas, D. X., & Viegas, C. (2022). Vegetation Mapping with Random Forest Using Sentinel 2 and GLCM Texture Feature—A Case Study for Lousã Region, Portugal. Remote Sensing, 14(18). doi:10.3390/rs14184585

Osman, S., Chen, L., Mohammad, A. H., Xing, L., & Chen, Y. (2021). Flood modeling of Sungai Pinang Watershed under the impact of urbanization. Tropical Cyclone Research and Review, 10(2), 96–105. doi:10.1016/j.tcrr.2021.06.001

Pacheco, A. D. P., Junior, J. A. D. S., Ruiz-Armenteros, A. M., & Henriques, R. F. F. (2021). Assessment of k-nearest neighbor and random forest classifiers for mapping forest fire areas in central portugal using landsat-8, sentinel-2, and terra imagery. Remote Sensing, 13(7). doi:10.3390/rs13071345

Roy, B. (2021). A machine learning approach to monitoring and forecasting spatio-temporal dynamics of land cover in Cox’s Bazar district, Bangladesh from 2001 to 2019. Environmental Challenges, 5. doi:10.1016/j.envc.2021.100237

Tassi, A., & Vizzari, M. (2020). Object-oriented lulc classification in google earth engine combining snic, glcm, and machine learning algorithms. Remote Sensing, 12(22), 1–17. doi:10.3390/rs12223776

Wong, J., Baars, M., Davis, D., Van Der Zee, T., Houben, G. J., & Paas, F. (2019). Supporting Self-Regulated Learning in Online Learning Environments and MOOCs: A Systematic Review. International Journal of Human-Computer Interaction, 35(4–5), 356–373. doi:10.1080/10447318.2018.1543084

Yuh, Y. G., Tracz, W., Matthews, H. D., & Turner, S. E. (2023). Application of machine learning approaches for land cover monitoring in northern Cameroon. Ecological Informatics, 74. doi:10.1016/j.ecoinf.2022.101955