Klasifikasi Tutupan Lahan Kabupaten Sintang Provinsi Kalimantan Barat dari Citra Satelit Landsat-8 Menggunakan Algoritma Convolutional Neural Network

Ruth Nadya Putri Nugroho, Dr. Ir. Catur Aries Rokhmana, S.T., M.T.

2026 | Skripsi | TEKNIK GEODESI

Ketersediaan peta tutupan lahan yang mutakhir sangat diperlukan untuk berbagai keperluan strategis seperti perencanaan tata ruang, mitigasi bencana, dan konservasi keanekaragaman hayati. Di Kabupaten Sintang, dinamika perubahan tutupan lahan khususnya akibat faktor lingkungan dan aktivitas manusia memerlukan ketersediaan data tutupan lahan yang berkelanjutan. Badan Informasi Geospasial (BIG) menyediakan Peta Rupabumi Indonesia (RBI) skala 1:50.000 secara periodik. Namun, tahun pembaruan terakhir untuk wilayah Kabupaten Sintang tidak tercantum secara pasti pada metadata resmi. Selain itu, Peta Penutupan Lahan Indonesia skala 1:250.000 yang dirilis oleh Kementerian Lingkungan Hidup dan Kehutanan (KLHK) tahun 2024 sesuai untuk analisis tingkat provinsi, tetapi belum cukup rinci untuk menampilkan variasi spasial yang lebih detail di tingkat kabupaten. Berdasarkan kondisi tersebut, penelitian ini bertujuan untuk melakukan klasifikasi tutupan lahan di Kabupaten Sintang menggunakan citra satelit Landsat-8 tahun 2024 dengan algoritma Convolutional Neural Network (CNN) sebagai sumber informasi pelengkap yang berfokus pada aspek tutupan lahan di Kabupaten Sintang.

Penelitian ini menggunakan citra Landsat-8 Kabupaten Sintang tahun 2024 sebagai data utama. Algoritma CNN diimplementasikan untuk mengklasifikasikan enam kelas tutupan lahan, yaitu hutan, perkebunan, semak belukar, permukiman, tanah kosong dan sungai. Skema klasifikasi ini disesuaikan dengan SNI 6502.3:2010 Tentang Spesifikasi Penyajian Peta Rupabumi Skala 1:50.000. Penelitian diawali dengan pembuatan data pelatihan dan validasi menggunakan citra Landsat-8 dengan lokasi di luar wilayah Kabupaten Sintang, yaitu Kota Pontianak, Kabupaten Kubu Raya, Kabupaten Kayong Utara, dan Kabupaten Sekadau. Data pelatihan yang telah dibuat kemudian digunakan sebagai input pembelajaran arsitektur model CNN. Model tersebut menggunakan filter yang bergerak di seluruh citra untuk mengidentifikasi pola-pola fundamental pada data pelatihan sehingga dihasilkan model klasifikasi tutupan lahan. Model tersebut kemudian dievaluasi kinerjanya menggunakan metrik precision, recall, dan f1-score, serta grafik training dan validation loss. Setelah diperoleh model yang optimal, dilakukan klasifikasi tutupan lahan pada citra Landsat-8 Kabupaten Sintang menggunakan model tersebut. Hasil klasifikasi berupa peta tematik tutupan lahan Kabupaten Sintang tahun 2024. Peta tutupan lahan tersebut kemudian diuji akurasinya menggunakan matriks konfusi dengan total 300 titik uji. Uji akurasi dilakukan dengan membandingkan peta tematik hasil klasifikasi dengan citra satelit ESRI Wayback Kabupaten Sintang tahun 2024.

Hasil penelitian menunjukkan bahwa model CNN yang dikembangkan mampu mengidentifikasi enam kelas tutupan lahan di area studi dengan overall accuracy (OA) sebesar 90%. Analisis akurasi masing-masing kelas lebih lanjut mengungkapkan variasi kinerja pada setiap kategori tutupan lahan. Kelas sungai dan hutan menunjukkan tingkat akurasi yang cukup tinggi baik dari perspektif produsen maupun pengguna, menandakan karakteristik spektral yang khas dan mudah dibedakan oleh model. Sementara itu, kelas semak belukar menunjukkan akurasi pengguna yang lebih rendah, mengindikasikan bahwa banyak area dari kelas lain salah diklasifikasikan sebagai semak belukar.

The availability of current land cover maps is important for various applications, including spatial planning, disaster mitigation, and biodiversity conservation. In Sintang Regency, the dynamic of land cover change, driven particularly by environmental factors and human activities, necessitates the continuous provision of up-to-date and sustainable land cover data. Badan Informasi Geospasial (BIG) periodically provides the 1:50,000-scale Rupabumi Indonesia (RBI) maps. However, the most recent update year for the Sintang Regency is not clearly stated in the official metadata. In addition, the 1:250,000-scale Indonesian Land Cover Map published by the Ministry of Environment and Forestry (KLHK) in 2024 is suitable for provincial-level analysis but is not sufficiently detailed to represent finer spatial variations at the regency level. Therefore, this research specifically aims to perform land cover classification in Sintang Regency wuth 2024 Landsat-8 satellite imagery using  Convolutional Neural Network (CNN) algorithm. 

This study utilized 2024 Landsat-8 imagery from Sintang Regency as the primary dataset. A CNN algorithm was implemented to classify six land cover classes: forest, plantation, shrubland, settlement, bare land, and river. This classification scheme was adapted to SNI 6502.3:2010 (Specification for the Presentation of 1:50,000 Scale Topographic Maps). The research initiated with the creation of training and validation dataset using Landsat-8 imagery from locations outside the Sintang Regency study area, specifically Pontianak City, Kubu Raya Regency, Kayong Utara Regency, and Sekadau Regency. The generated training data was subsequently used as input for training the CNN model architecture. The model utilized filters to scan the entire imagery, identifying fundamental patterns within the training data to generate a land cover classification model. The model's performance was then evaluated using precision, recall, and f1-score metrics, as well as training and validation loss graphs. Once the optimal model was obtained, it was used to classify land cover on Landsat-8 imagery of Sintang Regency, which resulted in a thematic land cover map for the year 2024. The resulting land cover map was subsequently validated for accuracy using a confusion matrix with a total of 300 test points. This accuracy assessment was conducted by comparing the thematic classification map with the 2024 ESRI Wayback satellite imagery of Sintang Regency.

The research results show that the developed CNN model is capable of identifying the six land cover classes in the study area with an overall accuracy (OA) of 90%, indicating a decent level of accuracy in mapping most of the region. A more detailed accuracy analysis for each class revealed variations in performance. The river and forest classes showed a relatively high level of accuracy from both producer and user perspectives, indicating distinct spectral characteristics that are easily differentiated by the model. Meanwhile, the shrubland class showed lower user accuracy, suggesting that many areas from other classes were incorrectly classified into this category.

Kata Kunci : Convolutional Neural Network (CNN), Land Cover Classification, Landsat