Deteksi Deforestasi Multitemporal di Provinsi Banten Menggunakan Klasifikasi Random Forest pada Citra Sentinel-2

Rizqi Winassya'Bani, Muhammad (2026) Deteksi Deforestasi Multitemporal di Provinsi Banten Menggunakan Klasifikasi Random Forest pada Citra Sentinel-2. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (533kB)
	PDF BAB_I.pdf Download (235kB)
	PDF BAB_II.pdf Download (4MB)
	PDF BAB_III.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (574kB)
	PDF BAB_V.pdf Restricted to Registered users only Download (268kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (231kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (286kB)
	Archive (ZIP) CREATION_FILE.zip Restricted to Registered users only Download (13MB)
	Archive (ZIP) 00000073547_2521_LembarPengesahan.pdf Restricted to Registered users only Download (67kB)

Abstract

Deforestasi di Provinsi Banten terus mengalami peningkatan seiring pesatnya ekspansi kawasan industri, permukiman, dan infrastruktur. Pemantauan perubahan tutupan hutan secara efisien dan akurat diperlukan sebagai dasar pengambilan kebijakan pengelolaan lingkungan. Penelitian ini mengusulkan pipeline klasifikasi tutupan lahan berbasis citra satelit Sentinel-2 Level-2A dan algoritma Random Forest untuk mendeteksi deforestasi secara multitemporal pada periode 2019, 2021, dan 2023. Praproses citra dilakukan di Google Earth Engine (GEE) melalui cloud masking menggunakan band QA60 dan pembentukan komposit median tahunan, menghasilkan tiga file GeoTIFF dengan sembilan fitur spektral per piksel (B2, B3, B4, B8, B11, B12, NDVI, NDWI, NDBI). Label tutupan lahan diperoleh dari dataset ESA WorldCover 10 m yang dikategorikan secara biner menjadi kelas hutan (1) dan non-hutan (0). Pemodelan dilakukan di Google Colaboratory menggunakan stratified sampling sebanyak 40.000 piksel, undersampling untuk penyeimbangan kelas, serta pembagian data latih dan uji dengan rasio 70:30. Model Random Forest dengan konfigurasi n estimators = 80 dan max depth = 12 menghasilkan akurasi sebesar 95,43%, presisi 0,9546, recall 0,9543, F1- score 0,9543, dan koefisien kappa 0,9087 yang termasuk dalam kategori almost perfect agreement. Analisis feature importance menunjukkan bahwa NDVI merupakan fitur paling dominan (23,82%), diikuti NDWI (15,58%) dan band B4 (11,28%). Hasil prediksi menunjukkan luas tutupan hutan sebesar 291.828 ha (2019), 303.482 ha (2021), dan 293.965 ha (2023). Laju deforestasi kotor meningkat dari 2.856 ha/tahun pada periode 2019­2021 menjadi 8.225 ha/tahun pada periode 2021­2023, atau meningkat sekitar 2,88 kali lipat, dengan total deforestasi kumulatif sebesar 11.729 ha selama 2019­2023.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Rizqi Winassya'Bani, Muhammad (00000073547)
Contributors:	Kusuma, A. A. N. Ananda (8984101024)
Keywords:	deforestasi, Random Forest, penginderaan jauh, Sentinel-2, tutupan lahan
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	17 Jul 2026 07:57
URI:	https://kc.umn.ac.id/id/eprint/47666

Actions (login required)

View Item