Analisis Klasifikasi Tutupan Lahan di Kabupaten Jember Berbasis Citra Satelit Landsat-9 Menggunakan Algoritma Xgboost dan Maximum Likelihood
Tahun 2026 · Penulis: Dandy Wiraditya Putra
Faculty of Computer Science, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/10506
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Terjemahan mesin (opus-mt-en-id) · dipakai untuk pengindeksan
Analisis Klasifikasi Tutupan Lahan di Kabupaten Jember Berbasis Citra Satelit Landsat-9 Menggunakan Algoritma Xgboost dan Maximum Likelihood
Perubahan ketersediaan tanah yang didorong oleh pertumbuhan penduduk dan perkembangan ekonomi menuntut perencanaan ruang yang menyeluruh. Penelitian ini bertujuan untuk mengimplementasikan dan menganalisis perbandingan kinerja antara Maskwiper Kelikupan MLC tradisional (MLC) dan metode berbasis pembelajaran ensemble, Extreme Gradient Boost (XGBoost), untuk memetakan tanah penutup di Distrik Jember menggunakan citra satelit Landsat-9 dari 2023. Fitur yang digunakan untuk klasifikasi terdiri dari 6 band spektral asli (Blue, Red, Green, NIR, SWIR-1, SWIR-2) dan 3 asal spestal indices (NDVI, MNDWI, NDBI). Area penelitian diklasifikasikan menjadi 6 kelas utama: tubuh air, tanah terbuka, tanah dibangun, tumbuh-tumbuhan dibudidayakan, tumbuhan alam, dan bayangan. Akurasi model dievaluasi menggunakan matriks kebingungan dengan pelatihan 80% dan 20% pengujian data dibagi dari total 3,953 piksel bersih. Hasilnya menunjukkan bahwa algoritma XGBoost lebih unggul dalam hal keefektifan, menghasilkan akurasi keseluruhan (OA) 93,81% dan akurasi kappa 92,8%. Sebaliknya, algoritma MLC hanya mencapai OA 87,86% dan Accuracy Kappa 85,9% karena kerentanannya untuk salah classifikasi di daerah dengan kesamaan spektral tinggi, seperti bayangan topografi ekstrim secara keliru terdeteksi sebagai tanah terbuka. Namun, dari perspektif efisiensi komputasi, MLC jauh lebih unggul dibandingkan dengan XGBoost, dengan waktu pemrosesan hanya 12 detik untuk memetakan seluruh wilayah, dibandingkan dengan XGBoost yang membutuhkan 4 menit dan 15 detik.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,831
Tahun 2026 · Penulis: Dimas Agung Priambodo
Analisis Perubahan Tutupan Lahan di Kabupaten Jember Berbasis Citra Sentinel-2A Menggunakan Algoritma Random Forest
Pertumbuhan penduduk dan pesatnya laju aktivitas ekonomi serta pembangunan infrastruktur di Kabupaten Jember berdampak pada dinamika penggunaan lahan, termasuk potensi penurunan luasan vegetasi hijau dan lahan pertanian. Oleh karena itu, pemantauan dan pemetaa
- Cosine 0,816
Tahun 2024 · Penulis: Nur Fahmi Hidayat
Pemanfaatan Google Earth Engine Dan Citra Sentinel-2 Menggunakan Perbandingan Algoritma Random Forest Dan Cart Untuk Tutupan Lahan DI Wilayah Kabupaten Bojonegoro
Penelitian ini meneliti kinerja dua algoritma pembelajaran mesin, Random Forest (RF) dan Classification and Regression Trees (CART), dalam mengklasifikasikan tipe tutupan lahan menggunakan citra Sentinel-2 di platform Google Earth Engine (GEE). Studi ini berfo
- Cosine 0,801
Tahun 2026 · Penulis: Moh. Ainur Rofiq
Identifikasi Penyakit Daun Kopi Menggunakan Convolutional Neural Network (CNN) Berbasis Citra RGB
Tanaman kopi merupakan komoditas perkebunan strategis yang menopang perekonomian nasional dan menjadi pilar kesejahteraan petani di Indonesia. Kendati demikian, produktivitas tanaman kopi Arabika kerap terancam oleh serangan penyakit pada organ daun, seperti p