ABSTRAK
Informasi penutup lahan merupakan data yang sangat penting dalam pengelolaan Daerah Aliran
Sungai (DAS). Tantangan dalam penyediaan informasi penutup lahan di DAS Kreo adalah
tutupan awan dan cangkupan areanya yang cukup luas. Hadirnya platform pengolahan data
spasial berbasis cloud yaitu Google Earth Engine (GEE) bisa menjawab tantangan tersebut. Oleh
karena itu penelitian ini bertujuan untuk memetakan penutup lahan di DAS Kreo menggunakan
klasifikasi berbasis machine learning pada GEE. Proses pemetaan penutup lahan di DAS Kreo
menggunakan citra satelit Landsat 8 dan DEM SRTM. Input data yang digunakan antara lain
band 1 sampai 7 pada citra Landsat 8, transformasi NDVI dan NDBI serta nilai elevasi dari DEM
SRTM. Adapun tahun yang dipilih adalah tahun 2015 dan 2020 dengan machine learning yang
diujikan meliputi CART, Random forest dan Voting SVM. Hasil penelitian ini menunjukkan bahwa
machine learning yang terbaik dalam memetakan penutup lahan di DAS Kreo adalah Random
forest. Penelitian ini masih terdapat banyak keterbatasan terutama kelas penutup lahan yang
dipetakan.
Kata kunci: Google Earth Engine, klasifikasi multispektral, machine learning, penutup lahan
ABSTRACT
Land cover information is very important data in watershed management. The challenge in providing land
cover information in the Kreo watershed is cloud cover and its wide area coverage. The presence of a cloud-
based spatial data processing platform, namely Google Earth Engine (GEE) can answer these challenges.
Therefore, this study aims to map land cover in the Kreo watershed using machine learning based
classification on GEE. The land cover mapping process in the Kreo watershed uses Landsat 8 satellite
imagery and DEM SRTM. The input data used include bands 1 to 7 on Landsat 8 imagery, NDVI and
NDBI transformations as well as elevation values from DEM SRTM. The selected years are 2015 and
2020 with machine learning being tested including CART, Random forest and SVM Voting. The results
of this study indicate that the best machine learning in mapping land cover in the Kreo watershed is
Random forest. There are still many limitations in this research, especially the land cover class being
mapped.
Keywords: Google Earth Engine, multispectral classification, machine learning, land cover
akan memberikan dampak ekologi kepada berimbas pada perbedaan tingkat akurasi
bagian hilir, sehingga pengelolaan DAS pemetaan (Talukdar et al., 2020). Oleh
merupakan hal yang penting dan bersifat karena itu, tujuan dari penelitian ini adalah
multidimensi (Effendi, 2008). Dalam untuk memetakan penutup lahan di DAS
pengelolaan DAS, aspek utama yang perlu Kreo menggunakan machine learning yang
dikendalikan adalah kondisi penutup lahan, tersedia di GEE untuk mengetahui machine
tanah, air dan manusia (Setyowati dkk, learning yang terbaik dalam memetakan
2012). Hal ini membuat informasi tutupan penutup lahan di DAS Kreo. Adapun Sub-
lahan memegang peranan penting dalam DAS Kreo sendiri merupakan bagian dari
pengelolaan DAS, karena bermanfaaat DAS Garang yang merupakan DAS kritis di
dalam kajian hidrologis seperti perhitungan Provinsi Jawa Tengah (Perdana, 2018).
debit puncak dan koefesien run-off
(Saraswati dkk, 2017; Poongothai et al., BAHAN DAN METODE
2014).
Pemetaan penutup lahan dapat Lokasi dan data penelitian
dilakukan dengan interpretasi citra baik Lokasi penelitian adalah Sub-DAS Kreo
secara manual maupun otomatis. Salah satu yang secara administratif berada di Kota
tantangan dari pemetaan penutup lahan Semarang, Kabupaten Semarang dan
dalam lingkup area DAS di Indonesia Kabupaen Kendal, Provinsi Jawa Tengah
adalah cangkupan wilayahnya yang besar (Gambar 1). Sub DAS Krea memiliki luas
serta tutupan awan yang menutupi area 6619.55 Ha, dengan daerah hilir
kenampakan tutupan lahan (Fariz & merupakan wilayah perkotaan. Berbeda
Nurhidayati, 2020). Hadirnya platform dengan daerah hilir, hulu DAS Kreo berada
bernama Google Earth Engine (GEE) bisa di Gunung Ungaran sehingga kenampakan
menjadi solusi dalam menjawab tantangan tertutup awan.
pemetaan penutup lahan untuk wilayah Pengumpulan dan analisis data
yang luas. Ketika dibandingkan dengan dilakukan menggunakan platform GEE
platform pengolahan data spasial yang lain, melalui laman code.earthengine.google.com
GEE mempunyai kelebihan seperti akses dengan menggunakan script yang disusun
data yang sangat besar dan pengolahan data oleh Farda (2020). Data citra satelit Landsat
berbasis cloud, sehingga proses analisis geo- 8 yang digunakan dalam penelitian ini
big data dapat dilakukan tanpa adalah perekaman tahun 2015 dan 2020
menggunakan super komputer (Tamiminia pada tanggal 1 Maret sampai 31 Oktober
et al., 2020). Pemrosesan data di GEE juga dari USGS Landsat 8 Surface Reflectance Tier 1.
sangat praktis sehingga kita dengan mudah Pemilihan waktu perekaman citra
mendapatkan data citra yang bebas awan berdasarkan rentang dikarenakan GEE
(Mateo-Garcia, 2018), apalagi GEE juga menyediakan algoritma cloud removal dan
memiliki beberapa metode machine learning median, sehingga citra satelit yang
untuk analisis citra seperti Random forest, digunakan akan bebas awan dan mewakili
CART dan sebagainya. kondisi suatu periode waktu (Fariz dan
Pemetaan penutup lahan menggunakan Nurhidayati, 2020). Citra Landsat 8 USGS
machine learning sudah sering dilakukan, Surface Reflectance Tier 1 ini bersifat siap
tetapi pemilihan model dan langkah pakai karena sudah diproses ortorektifikasi
kerjanya yang sering terabaikan (Shih et al., dan kalibrasi reflektan. Selain citra satelit
2019). Sehingga kajian yang Landsat 8, penelitian ini juga menggunakan
membandingkan kemampuan machine data DEM SRTM. Citra satelit Landsat 8 dan
learning dalam pemetaan penutup lahan itu DEM SRTM digunakan sebagai input untuk
penting karena setiap machine learning pemetaan penutup lahan di Sub-DAS Kreo.
memliki pendekatan yang berbeda yang
Jika dilihat pada Gambar 3, pada tahun mana memiliki akurasi yang lebih baik
2020 banyak lahan pertanian yang berubah dibandingkan pixel based seperti yang kami
menjadi hutan dan kebun campuran serta gunakan dipenelitian ini (Tassi et al., 2021).
permukiman. Perubahan lahan pertanian Penelitian ini menunjukkan bahwa GEE
menjadi hutan dan kebun campuran memberikan kemudahan untuk penyediaan
tersebut dikarenakan faktor kelas penutup informasi perubahan penutup lahan di Sub-
lahan yang ditentukan. Training sample DAS Kreo. Proses pemetaan menjadi lebih
untuk kelas penutup lahan pertanian cepat dikarenakan tidak perlu mengunduh
dipeneltiian ini adalah obyek yang memiliki citra satelit, melakukan pra-pengolahan
warna hijau muda dan bertekstur halus, citra dan menggunakan super-computer.
sedangkan training sample untuk hutan dan Penelitian ini perlu dikembangkan dengan
kebun campuran adalah obyek berwarna melakukan perbandingan antar pixel based
hijau tua dan bertekstur lebih kasar. Obyek dan object based serta kelas penutup lahan
seperti hutan rakyat yang berisi sengon yang lebih banyak, selain itu perlu juga
(Albizia chinensis) pada saat baru tumbuh dilakukan pengujian hyperparameter antar
akan masuk kedalam klasifikasi lahan machine learning seperti pada penelitian Shih
pertanian, tetapi jika sudah besar maka akan et al. (2019).
terklasifikasi dalam hutan dan kebun Informasi penutup lahan sangat berguna
campuran. Hutan rakyat berupa sengon dalam pengelolaan lingkungan di Sub-DAS
banyak ditemui di bagian tengah Sub-DAS Kreo. Selain berguna sebagai data kajian erosi
Kreo atau disekitar Waduk Jatibarang. dan konservasi lahan, informasi ini juga bisa
Keberadaan hutan rakyat yang membuat digunakan sebagai indikasi tingkat kesuburan
hasil pemetaan perubahan penutup lahan di perairan Waduk Jatibarang (Fauzi &
Sub-DAS Kreo menjadi kurang terlihat Maryono, 2016; Silitonga dkk, 2018). Dalam
nyata. Untuk mensiasati hal tersebut, perlu rangka menjaga kualitas perairan di Waduk
dilakukan sentuhan manual melalui Jatibarang, kajian perubahan penutup lahan
interpretasi visual untuk memisahkan perlu difokuskan pada wilayah hulu waduk
obyek tersebut. Selain itu, perlu dicoba juga seperti Kelurahan Jatirejo dan Kelurahan
pendekatan lain seperti object based yang Jatibarang.