Evaluasi Algoritma Machine Learning untuk Klasifikasi dan Prediksi Penggunaan Lahan

Abstract

Abstrak. Pemantauan, perencanaan, dan pengelolaan sumberdaya lahan membutuhkan data penggunaan lahan yang akurat. Banyak penelitian telah dilakukan mengenai klasifikasi dan prediksi penggunaan lahan. Namun, penelitian terkait penentuan metode klasifikasi dan prediksi yang akurat masih sangat penting. Penelitian ini bertujuan untuk mengevaluasi algoritma machine learning dalam klasifikasi dan prediksi penggunaan lahan serta menganalisis perubahan penggunaan lahan tahun 2002- 2032. Area studi penelitian ini yaitu Sub DAS Tanralili, klasifikasi menggunakan Dzetsaka dengan algoritma seperti kNN, GMM, RF, dan SVM, dan prediksi menggunakan MOLUSCE dengan model CA yang dikombinasi dengan ANN, LR, WoE, dan MCE. Model dievaluasi menggunakan overall accuracy dan kappa, akurasi tertinggi pada tahun 2002, 2012, dan 2022 masing-masing adalah kNN (kappa 0,92), SVM (kappa 0,86), dan GMM (kappa 0,74). Algoritma SVM memiliki kappa rata-rata tertinggi untuk klasifikasi sebesar 0,83, sedangkan model CA-ANN menunjukkan nilai kappa tertinggi untuk prediksi sebesar 0,65. Pada periode 2002-2022, terjadi penurunan hutan sekunder (4.184,0 ha), pertanian lahan kering (1.259,3 ha), dan badan air (328,0 ha), sedangkan peningkatan pada semak belukar (5.303,3 ha), sawah (367,0 ha), padang rumput (64,5 ha), dan permukiman (36,5 ha). Pada periode 2022-2032 menunjukkan penurunan hutan sekunder (554,2 ha), sawah (332,6 ha), padang rumput (192,8 ha), dan badan air (33,4 ha), sedangkan peningkatan pada semak belukar (700,9 ha), pertanian lahan kering (401,1 ha), dan permukiman (1,1 ha). Abstract. Monitoring, planning, and managing land resources require accurate land use data. Many studies have been conducted on land use classification and prediction. However, research related to determining accurate classification and prediction methods is still very important. This study aimed to evaluate machine learning algorithms in land use classification and prediction and analyzed land use change from 2002 to 2032. The study area of this research was the Tanralili Sub Watershed, with classification using Dzetsaka and algorithms such as kNN, GMM, RF, and SVM, and prediction using MOLUSCE with the CA model combined with ANN, LR, WoE, and MCE. The models were evaluated using overall accuracy and kappa; the highest accuracy in 2002, 2012, and 2022 were kNN (kappa 0.92), SVM (kappa 0.86), and GMM (kappa 0.74), respectively. The SVM algorithm had the highest average kappa for classification at 0.83, while the CA-ANN model showed the highest kappa value for prediction at 0.65. In the period 2002-2022, there was a decrease in secondary forests (4,184.0 ha), dry land agriculture (1,259.3 ha), and water bodies (328.0 ha), while an increase in shrubs (5,303.3 ha), rice fields (367.0 ha), grasslands (64.5 ha), and settlements (36.5 ha). The 2022-2032 period predicted a decrease in secondary forests (554.2 ha), rice fields (332.6 ha), grasslands (192.8 ha), and water bodies (33.4 ha), while an increase in shrubs (700.9 ha), dry land farming (401.1 ha), and settlements (1.1 ha). Submitted: 2024-08-14 Revisions: 2024-11-13 Accepted: 2025-02-17 Published: 2025-02-17

Keywords

• dzetsaka
• kappa
• molusce
• perencanaan
• sub das tanralili