Penerapan Transfer Ensemble Learning untuk Evaluasi Metode Machine Learning dalam Klasifikasi Penutup dan Penggunaan Lahan Skala Besar

Waskita Abdillah Rafiqi, Dr. Nur Mohammad Farda, S.Si., M.Cs.

2025 | Skripsi | KARTOGRAFI DAN PENGINDRAAN JAUH

Pemetaan penutup dan penggunaan lahan memiliki peranan penting dalam perencanaan dan manajemen wilayah. Di Kabupaten Sleman, khususnya Kecamatan Godean, dinamika perubahan penutup dan penggunaan lahan dipengaruhi oleh pembangunan infrastruktur serta aktivitas sosial-ekonomi. Percepatan Kebijakan Satu Peta (KSP) banyak mendorong pemetaan skala besar, sehingga diperlukan metode klasifikasi yang efektif. Dalam penelitian ini, pendekatan transfer ensemble learning diterapkan untuk mengevaluasi kinerja algoritma machine learning dalam klasifikasi penutup dan penggunaan lahan skala besar. Data yang digunakan meliputi citra PlanetScope Dove-R tahun 2019 yang ditetapkan sebagai domain sumber dan SuperDove tahun 2024 sebagai domain target. Fitur yang diekstraksi meliputi band spektral, Normalized Difference Vegetation Index (NDVI), serta fitur tekstural turunan mean dan variance dari Gray Level Co-occurrence Matrix (GLCM). Model yang diuji meliputi SVM Linear, SVM RBF, Random Forest, XGBoost, serta stacking ensemble yang terdiri dari E-1 (berbasis SVM), E-2 (tree-based), dan E-3 (gabungan seluruh model tunggal). Pada domain sumber (skema baseline), XGBoost mencapai Overall Accuracy (OA) 0.9306 dengan F1-score 0.9316, sedangkan E-3 menghasilkan F1-score tertinggi (0.9371) dengan visualisasi spasial yang lebih halus. Efisiensi waktu inferensi terbaik ditunjukkan oleh E-2 (7.42 menit) dengan performa yang kompetitif. Pada domain target (skema zero-shot transfer), penurunan performa terjadi pada keseluruhan model yang menghasilkan OA <0>fine-tuning melalui skema inductive transfer berhasil memulihkan performa keseluruhan model, menghasilkan OA 0.9076 pada XGBoost dan F1-score tertinggi (0.8840) pada E-3, sementara E-2 tetap unggul dalam efisiensi. Hasil penelitian menunjukkan superioritas model berbasis pohon, efektivitas fine-tuning dalam menangani domain shift, serta peran E-3 dan E-2 sebagai opsi penyeimbang antara akurasi dan efisiensi komputasi.

Land-use and land-cover (LULC) mapping is considered crucial for regional planning and management. In Sleman Regency, particularly Godean Subdistrict, LULC dynamics are influenced by infrastructure development and socio-economic activities. The acceleration of the One Map Policy (Kebijakan Satu Peta) drives the demand for large-scale mapping, necessitating effective classification methods. This study applies a transfer ensemble learning approach to evaluate machine learning performance in large-scale LULC classification. The dataset comprises PlanetScope Dove-R imagery from 2019 (source domain) and SuperDove from 2024 (target domain). Extracted features include spectral bands, Normalized Difference Vegetation Index (NDVI), and GLCM textural features (mean and variance). Tested models include Linear SVM, RBF SVM, Random Forest, XGBoost, and stacking ensembles using Logistic Regression as a meta-learner, comprising E-1 (SVM-based), E-2 (tree-based), and E-3 (combining all base models). In the source domain (baseline), XGBoost achieved an Overall Accuracy (OA) of 0.9306 with an F1-score of 0.9316, while E-3 produced the highest F1-score (0.9371) with smoother spatial representation. E-2 demonstrated the best inference efficiency (7.42 minutes) with competitive performance. In the target domain (zero-shot transfer scheme), performance dropped significantly across all models (OA <0>

Kata Kunci : Penutup dan Penggunaan Lahan, Penginderaan Jauh, Machine Learning, Stacking Ensemble, Transfer Learning