KLASIFIKASI PENGGUNAAN DAN TUTUPAN LAHAN BERBASIS CITRA SENTINEL-2 MENGGUNAKAN LIGHT GRADIENT BOOSTING MACHINE DENGAN EKSTRAKSI FITUR TEKSTUR GRAY LEVEL COOCCURANCY MATRIX

Veri Anggoro Wijayanto, . (2026) KLASIFIKASI PENGGUNAAN DAN TUTUPAN LAHAN BERBASIS CITRA SENTINEL-2 MENGGUNAKAN LIGHT GRADIENT BOOSTING MACHINE DENGAN EKSTRAKSI FITUR TEKSTUR GRAY LEVEL COOCCURANCY MATRIX. Skripsi thesis, UNIVERSITAS PEMBANGUNAN NASIONAL VETERAN YOGYAKARTA.

	Text Cover_123220146.pdf Download (157kB)
	Text Abstrak_123220146.pdf Download (209kB)
	Text Halaman Pengesahan_123220146.pdf Download (1MB)
	Text Daftar Isi_123220146.pdf Download (323kB)
	Text Daftar Pustaka_123220146.pdf Download (183kB)
	Text Fulltext_123220146.pdf Restricted to Repository staff only Download (7MB)

Abstract

Klasifikasi penggunaan lahan dan tutupan lahan (LULC) di wilayah tropis
menggunakan citra Sentinel-2 menghadapi tantangan berupa tumpang tindih nilai spektral
antar kelas objek yang serupa, sehingga pemanfaatan fitur spektral saja belum sepenuhnya
mampu merepresentasikan kompleksitas karakteristik permukaan bumi pada area dengan
heterogenitas tinggi. Penelitian ini bertujuan untuk mengevaluasi pengaruh integrasi fitur
tekstural Gray Level Co-occurrence Matrix (GLCM) terhadap kinerja algoritma Light
Gradient Boosting Machine (LightGBM) melalui perbandingan model dengan dan tanpa
fitur tekstural. Penelitian dilakukan di wilayah Provinsi Jawa Tengah menggunakan citra
Sentinel-2 tahun 2021 yang diproses melalui platform Google Earth Engine, dengan fitur
yang diekstraksi meliputi band spektral sentinel-2, indeks spektral, serta enam metrik tekstur
GLCM dengan variasi jendela 3×3 dan 5×5. Klasifikasi difokuskan pada lima kelas utama,
yaitu Tree Cover, Cropland, Built-up, Permanent Water Bodies, dan Herbaceous Wetland.
Hasil penelitian menunjukkan bahwa integrasi fitur tekstural secara signifikan meningkatkan
performa model dalam memitigasi kendala spectral overlap, di mana model dengan
kombinasi fitur spektral dan tekstural GLCM menggunakan jendela 3×3 mencapai kinerja
optimal dengan akurasi sebesar 0,8653 (87%), meningkat sekitar 3% dibandingkan model
yang hanya menggunakan fitur spektral (0,8323). Selain itu, penggunaan jendela tekstur
yang lebih kecil (3×3) terbukti lebih akurat dibandingkan jendela 5×5 dengan selisih 1,2%,
yang mencerminkan karakteristik objek tropis yang bersifat lokal dan fragmentaris.
Penambahan fitur tekstur juga berhasil meningkatkan F1-score kelas built-up dari 0,86
menjadi 0,92. Analisis feature importance mengonfirmasi bahwa kanal SWIR (B12) dan
NIR (B8) tetap menjadi fondasi utama, namun fitur tekstural seperti dissimilarity dan
homogeneity memberikan kontribusi krusial dalam meningkatkan separabilitas antar kelas,
sehingga dapat disimpulkan bahwa pendekatan multi-fitur merupakan strategi efektif untuk
menghasilkan pemetaan tutupan lahan yang lebih akurat dan stabil di wilayah tropis.

Kata Kunci: Sentinel-2, LightGBM, GLCM, Tutupan Lahan, Wilayah Tropis.

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	VERI ANGGORO WIJAYANTO (Penulis - 123220146) ; BUDI SANTOSA (Pembimbing) ;
Uncontrolled Keywords:	Sentinel-2, LightGBM, GLCM, Tutupan Lahan, Wilayah Tropis
Subjek:	T Technology > T Technology (General)
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Indah Lestari
Date Deposited:	21 Apr 2026 00:46
Last Modified:	21 Apr 2026 00:46
URI:	http://eprints.upnyk.ac.id/id/eprint/47870

Actions (login required)

View Item