skip to main content

Pemetaan Perubahan Lahan Sawah Kabupaten Sukabumi Menggunakan Google Earth Engine

*Widia Siska  -  Program Studi Pengelolaan Sumberdaya Alam dan Lingkungan, Sekolah Pascasarjana, Institut Pertanian Bogor, Bogor, Indonesia
Widiatmaka Widiatmaka  -  Departemen Ilmu Tanah dan Sumberdaya Lahan, Institut Pertanian Bogor, Bogor, Indonesia
Yudi Setiawan  -  Departemen Konservasi Sumberdaya Hutan dan Ekowisata, Institut Pertanian Bogor, Bogor, Indonesia
Setyono Hari Adi  -  Balai Penelitian Agroklimat dan Hidrologi, Bogor, Indonesia

Citation Format:
Abstract
Google Earth Engine (GEE) merupakan layanan pemrosesan geospasial yang telah banyak digunakan di berbagai bidang pemetaan. Tujuan penelitian ini adalah  identifikasi perubahan lahan sawah Kabupaten Sukabumi menggunakan GEE. Data citra landsat 5 dan landsat 8 yang digunakan di GEE merupakan data citra yang telah di pre-process dan terkoreksi. Klasifikasi penggunaan/tutupan lahan dibedakan menjadi 6 kelas yaitu sawah, badan air, pemukiman, bervegetasi, hutan dan tanah terbuka. Sampel acak penggunaan lahan dibuat sebanyak 394 titik di GEE menggunakan poin dan rectangular. Klasifikasi penggunaan lahan dianilisis menggunakan metode Random Forest (RF). Penilaian akurasi dihitung menggunakan confusion Matrix, sedangkan validasi lapang dilakukan dengan menggunakan metode stratified random sampling.  Uji akurasi analisis tutupan lahan tahun 2020 dengan confusion Matrix menghasilkan nilai Overall Accuracy (OA) 0,94 dan nilai kappa  0,91; tahun 2015 dengan nilai OA 0,93 dan nilai Kappa 0,91; sedangkan tahun 2010 memiliki nilai OA 0.96 dan nilai Kappa 0.94. Hasil analisis ini menunjukkan bahwa luas lahan sawah Kabupaten Sukabumi mengalami penyusutan seluas 10,317.27  ha dalam kurun waktu sepuluh tahun (2010-2020). Klasifikasi penggunaan lahan menggunakan GEE dapat menghasilkan peta dengan akurasi tinggi dengan OA >85%, serta dapat mempersingkat waktu analisis.
Fulltext View|Download
Keywords: Google Earth Engine, Kabupaten Sukabumi, Sawah
Funding: IPB

Article Metrics:

  1. Becker, W. R., Ló, T. B., Johann, J. A., & Mercante, E. (2021). Statistical features for land use and land cover classification in Google Earth Engine. Remote Sensing Applications: Society and Environment, 21, 100459
  2. BPS Jawa Barat. (2019). Provinsi Jawa Barat dalam Angka 2019. Badan Pusat Statistik Provinsi Jawa Barat
  3. BPS Kabupaten Sukabumi. (2020). Jumlah Penduduk Rasio Jenis Kelamin dan Kepadatan Penduduk Menurut Jenis Kelamin di Kabupaten Sukabumi. Retrieved March 2, 2020, from https://sukabumikab.bps.go.id/statictable/2020/01/27/116/jumlah-penduduk-rasio-jenis-kelamin-dan-kepadatan-penduduk-menurut-jenis-kelamin-di-kabupaten-sukabumi-1930-2018.html)
  4. Congalton, R. ., & Green, K. (2009). Assessing in Accuracy of Remote Sensed Data. Volume 2. New York (ID): CRC Press
  5. Dong, J., Xiao, X., Menarguez, M. A., Zhang, G., Qin, Y., Thau, D., … Moore, B. (2016). Mapping paddy rice planting area in Northeastern Asia with Landsat 8 images, phenology-based algorithm and Google Earth Engine. Remote Sensing of Environment, 185, 1–13. https://doi.org/10.1016/j.rse.2016.02.016
  6. Housman, I., Tanpipat, V., Biswas, T., Clark, A., Stephen, P., Maus, P., & Megown, K. (2015). Monitoring forest change in southeast Asia: case studies for USAID Lowering Emissions in Asia’s Forests. US Department of Agriculture, Forest Service, Remote Sensing Applications Center: Salt Lake City, Utah, 1-16
  7. Irawan, B. (2015). Dinamika Produksi Padi Sawah Dan Padi Gogo: Implikasinya Terhadap Kebijakan Peningkatan Produksi Padi. In E. Pasandaran, M. Rachmat, Hermanto, M. Ariani, Sumedi, K. Suradisastra, & Haryono (Eds.), Memperkuat Kemampuan Swasembada Pangan (pp. 68–88). Jakarta (ID): IAARD PRESS
  8. Kepmen ATR/BPN. (2018). Ketetapan Menteri Agraria dan Tata Ruang/Kepala Badan Pertanahan Nasional Nomor 399/Kep-23.3/X/2018 tentang Penetapan Luas Baku Sawah Nasional Tahun 2018
  9. Lillesand, T. M., & Keifer, R. W. (1994). Remote Sensing and Image Interpretation. Third Edition. John Willey and Sons, Inc, United States of America
  10. Nduru, R. E., Situmorang, M., & Tarigan, G. (2014). Analisa faktor-faktor yang Mempengaruhi Hasil Produksi Padi di Deli Serdang. Jurnal Saintia Matematika, 2(1)(1), 71–83
  11. Oliphant, A. J., Thenkabail, P. S., Teluguntla, P., Xiong, J., Gumma, M. K., Congalton, R. G., & Yadav, K. (2019). Mapping cropland extent of Southeast and Northeast Asia using multi-year time-series Landsat 30-m data using a random forest classifier on the Google Earth Engine Cloud. International Journal of Applied Earth Observation and Geoinformation, 81(May), 110–124. https://doi.org/10.1016/j.jag.2018.11.014
  12. Phalke, A. R., Özdoğan, M., Thenkabail, P. S., Erickson, T., Gorelick, N., Yadav, K., & Congalton, R. G. (2020). Mapping croplands of Europe, Middle East, Russia, and Central Asia using Landsat, Random Forest, and Google Earth Engine. ISPRS Journal of Photogrammetry and Remote Sensing, 167(June), 104–122. https://doi.org/10.1016/j.isprsjprs.2020.06.022
  13. Pusdatin. (2019). Statistik lahan pertanian tahun 2014-2018. Pusat Data dan Sistem Informasi Pertanian. Sekretariat Jenderal Kementerian Pertanian
  14. Rodriguez-Galiano, V. F., Ghimire, B., Rogan, J., Chica-Olmo, M., & Rigol-Sanchez, J. P. (2012). An assessment of the effectiveness of a random forest classifier for land-cover classification. ISPRS Journal of Photogrammetry and Remote Sensing, 67, 93–104
  15. Shaharum, N. S. N., Shafri, H. Z. M., Ghani, W. A. W. A. K., Samsatli, S., Al-Habshi, M. M. A., & Yusuf, B. (2020). Oil palm mapping over Peninsular Malaysia using Google Earth Engine and machine learning algorithms. Remote Sensing Applications: Society and Environment, 17, 100287. https://doi.org/10.1016/j.rsase.2020.100287
  16. Singha, M., Dong, J., Sarmah, S., You, N., Zhou, Y., Zhang, G., … Xiao, X. (2020). Identifying floods and flood-affected paddy rice fields in Bangladesh based on Sentinel-1 imagery and Google Earth Engine. ISPRS Journal of Photogrammetry and Remote Sensing, 166, 278–293. https://doi.org/10.1016/j.isprsjprs.2020.06.011
  17. Sutanto. (2016). Metode Penelitian Penginderaan Jauh. Yogyakarta (ID): Ombak
  18. Waske, B., & Braun, M. (2009). Classifier ensembles for land cover mapping using multitemporal SAR imagery. ISPRS Journal of Photogrammetry and Remote Sensing, 64(5), 450–457. https://doi.org/10.1016/j.isprsjprs.2009.01.003
  19. Zulfajri, Danoedoro, P., & Murti, S. H. (2021). Klasifikasi tutupan lahan data Landsat-8 OLI menggunakan metode Random Forest. Jurnal Penginderaan Jauh Indonesia, 03(01), 1–7
  20. Zurqani, H. A., Post, C. J., Mikhailova, E. A., Schlautman, M. A., & Sharp, J. L. (2018). Geospatial analysis of land use change in the Savannah River Basin using Google Earth Engine. International Journal of Applied Earth Observation and Geoinformation, 69, 175–185. https://doi.org/10.1016/j.jag.2017.12.006

Last update:

No citation recorded.

Last update:

No citation recorded.