Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN: 2548-964X

Vol. 9, No. 2, Februari 2025, hlm. x-x [Link]

Analisis Geospasial Perubahan Penggunaan Lahan Sawah di Kota Malang

Menggunakan Google Earth Engine
Renaldy Hermawan1, Alfi Nur Rusydi2, Muhammad Aminul Akbar 3

Program Studi Sistem Informasi, Fakultas Ilmu Komputer, Universitas Brawijaya

Email: 1renaldy.h@[Link], [Link]@[Link], [Link]@[Link]

Abstrak
Penelitian berjudul “ANALISIS GEOSPASIAL PERUBAHAN PENGGUNAAN LAHAN SAWAH
DI KOTA MALANG MENGGUNAKAN GOOGLE EARTH ENGINE” bertujuan untuk menganalisis
perubahan lahan sawah di Kota Malang selama 2018-2023 dan membandingkan performa metode
Support Vector Machine (SVM) serta Random Forest (RF) dalam klasifikasi citra satelit. Data Sentinel-
2 diolah menggunakan pendekatan klasifikasi terbimbing untuk menghasilkan peta tutupan lahan, yang
kemudian dianalisis secara multitemporal menggunakan teknik change detection. Hasil penelitian
menunjukkan bahwa metode RF memiliki performa lebih tinggi dibandingkan SVM, dengan rata-rata
overall accuracy sebesar 90.2% dan kappa coefficient 0.85. Tren perubahan lahan menunjukkan
penurunan terbesar pada 2018-2019 dengan Kecamatan Kedungkandang sebagai penyumbang utama,
sementara jenis penggunaan lahan yang paling banyak menggantikan sawah adalah vegetasi lain
(67.74%) dan pemukiman (31.38%). Laju penurunan sawah tertinggi mencapai 25.42% per tahun pada
2018-2019, sedangkan peningkatan sebesar 0.97% per tahun terjadi pada 2021-2022. Penelitian ini
menyimpulkan bahwa Google Earth Engine merupakan platform yang efektif untuk analisis geospasial,
dan perubahan lahan sawah di Kota Malang sebagian besar dipengaruhi oleh alih fungsi menjadi
vegetasi lain dan pemukiman.
Kata kunci: Analisis Geospasial, Random Forest, SVM, Change Detection, Multitemporal, Google
Earth Engine
Abstract
The study titled “GEOSPATIAL ANALYSIS OF PADDY FIELD LAND USE CHANGES IN MALANG
CITY USING GOOGLE EARTH ENGINE” aims to analyze the changes in rice field land in Malang
City from 2018 to 2023 and compare the performance of the Support Vector Machine (SVM) and
Random Forest (RF) methods in satellite image classification. Sentinel-2 data were processed using a
supervised classification approach to produce land cover maps, which were then analyzed
multitemporally using change detection techniques. The findings indicate that the RF method
outperforms the SVM method, achieving an average overall accuracy of 90.2% and a kappa coefficient
of 0.85. The land change trends show the largest decline occurred in 2018-2019, with Kedungkandang
District being the primary contributor, while the most common land uses replacing rice fields were other
vegetation (67.74%) and settlements (31.38%). The highest annual rate of rice field loss was 25.42% in
2018-2019, while the lowest rate, representing an increase of 0.97% per year, occurred in 2021-2022.
The study concludes that Google Earth Engine is an effective platform for geospatial analysis, with rice
field changes in Malang City largely driven by conversions into other vegetation and settlements.
Keywords: Geospatial Analysis, Random Forest, SVM, Change Detection, Multitemporal, Google
Earth Engine
industrialisasi telah mendorong konversi lahan
1. PENDAHULUAN pertanian, terutama lahan sawah, menjadi
Perubahan tata guna lahan merupakan kawasan permukiman, industri, dan fasilitas
fenomena kompleks yang semakin intensif umum lainnya. Data sektoral dari Satu Data
terjadi di kawasan perkotaan, termasuk Kota Malang mencatat bahwa dari tahun 2021-2023
Malang. Dinamika pertumbuhan penduduk, terjadi penurunan luas lahan sawah di Kota
urbanisasi yang cepat, dan tuntutan Malang dari 995 hektare menjadi 985 hektare

Fakultas Ilmu Komputer

Universitas Brawijaya 1
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2

(SatuDataKotaMalang, 2024). Badan Pusat Area (Zhao et al., 2021). Penelitian-penelitian

Statistik juga mencatat penurunan luas lahan tersebut menunjukkan bahwa data geospasial
sawah yang awalnya 1214 hektare di tahun 2014 dapat menjadi alat yang kuat dalam memahami
menjadi 995 di tahun 2020 (Anon., 2021). Dari perubahan penggunaan lahan.
dua sumber data ini, bisa disimpulkan bahwa Data geospasial berupa citra satelit
dalam kurun waktu 10 tahun terjadi penurunan merupakan sumber data yang relevan digunakan
lahan sawah sebanyak 229 hektare. Penurunan untuk pemetaan maupun analisis perubahan
ini cukup signifikan, mengindikasikan adanya lahan. Meng menggunakan citra satelit Sentinel-
transformasi lahan pertanian secara masif 2, MODIS, dan Sentinel-1 untuk penelitiannya
menuju fungsi lain. terkait large-scale and high-resolution paddy
Penurunan signifikan luas lahan sawah di rice intencity mapping (Meng et al., 2024). Saini
Kota Malang menunjukkan urgensi untuk segera memanfaatkan citra satelit Landsat dan Sentinel-
dilakukan penelitian terhadap pola 2 untuk prediksi tanaman padi (Saini and
perubahannya. Hal ini dikarenakan konversi Nagpal, 2024). Zurqani memanfaatkan citra
lahan pertanian memiliki dampak buruk Landsat untuk melakukan analisis geospasial
terhadap terancamnya ketahanan pangan perubahan penggunaan lahan di Savannah River
nasional dan penurunan kualitas lingkungan Basin (Zurqani et al., 2018). Floreano memakai
(Prabowo, Bambang and Sudarno, 2020). citra Landsat untuk menganalisis penggunaan
Penurunan yang diakibatkan konversi lahan ini lahan atau tutupan lahan di Wilayah Rondonia,
juga berpotensi menimbulkan degradasi Brazil (Floreano and de Moraes, 2021). Nasiri
lingkungan, seperti banjir, hilangnya habitat, dan membandingkan penggunaan citra Sentinel-2
bertambahnya volume limbah domestik dan Landsat-8 untuk pemetaan penggunaan dan
(Angraini, Selpiyanti and Walid, 2020). tutupan lahan, serta menghasilkan penemuan
Penurunan luas lahan sawah juga berdampak bahwa Sentinel-2 punya kontribusi signifikan
pada penurunan produksi padi. Data BPS dalam meningkatkan pemetaan dan pengawasan
menyebutkan bahwa produksi padi di kota Land Use/Land Cover (Nasiri et al., 2022).
Malang mengalami penurunan dari 13.909,70 Namun, penggunaan citra satelit ini memiliki
Ton pada tahun 2019 menjadi 10.318,57 Ton kelemahan, yaitu data yang berukuran besar,
pada tahun 2023 (Anon., 2024). Penurunan ini sehingga bisa membebani penyimpanan internal.
tentu mengancam ketahanan pangan lokal di Data citra satelit yang berukuran besar bisa
kota Malang, mengingat 97,7% penduduknya diolah dengan memanfaatkan teknologi baru,
mengonsumsi beras (Anon., 2023), hingga pada seperti Cloud Processing menggunakan aplikasi
akhirnya akan meningkatkan ketergantungan Google Earth Engine (GEE) (Ramdani, 2021a).
terhadap pasokan pangan dari daerah lain. Oleh Google Earth Engine menyediakan kemampuan
karena itu, penelitian mengenai pola perubahan pengolahan data citra satelit untuk melakukan
lahan sawah penting untuk dilakukan guna klasifikasi, mendeteksi perubahan, melakukan
membantu dalam pembuatan kebijakan tata kuantifikasi perbedaan, dan menyajikan peta
ruang yang lebih berkelanjutan. dengan visualisasi yang baik (Ramdani, 2021b).
Penelitian perubahan penggunaan lahan Penggunaan GEE sangat mendukung penelitian
tepat dilakukan dengan memanfaatkan data ini, karena memungkinkan penggunaan citra
geospasial. Shafizadeh-Moghadam satelit berukuran besar secara efisien tanpa
memanfaatkan data geospasial untuk memerlukan perangkat keras yang canggih.
memetakan penggunaan lahan di Tigris- Dengan kapasitas pemrosesan di cloud, Google
Euphrates Basin (Shafizadeh-Moghadam et al., Earth Engine (GEE) memungkinkan pengolahan
2021). Nugroho mengolah data geospasial data dalam skala besar dan periode panjang,
menggunakan ArcGIS 10.2 untuk menganalisis sehingga cocok untuk analisis perubahan lahan
pola perubahan sawah di Kelurahan Makroman, sawah di Kota Malang dari tahun ke tahun.
Samarinda (Nugroho, Dhonanto and Darma, Berdasarkan penjabaran diatas, penting
2024). Rakuasa memanfaatkan data geospasial untuk melaksanakan penelitian dengan judul
berupa citra satelit guna melakukan analisis “Analisis Geospasial Perubahan Lahan Sawah di
temporal perubahan tutupan lahan di Kabupaten Kota Malang menggunakan Google Earth
Maluku Barat Daya (Rakuasa, 2022). Zhao Engine.” Penelitian ini diharapkan dapat
menggunakan data geospasial untuk meneliti memberikan gambaran komprehensif mengenai
perubahan dinamis spatio-temporal dinamika perubahan lahan sawah di Kota
penggunaan/tutupan lahan di Huangzhou Bay Malang, khususnya terkait dengan tren

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 3

perubahan luas area lahan sawah dari tahun 2018 algoritma SVM dan Random Forest.
hingga 2023. Selain itu, analisis ini akan
mengidentifikasi jenis penggunaan lahan yang 2.2 LULC
paling banyak menggantikan lahan sawah, Fresco dan MCconnel menjabarkan bahwa
memberikan wawasan tentang pola konversi land use mengacu pada tujuan penggunaan
lahan yang terjadi. Selanjutnya, penelitian ini tutupan lahan oleh manusia yang dipengaruhi
juga akan menghitung laju perubahan lahan dampak aktivitas mereka dengan berfokus pada
sawah menjadi lahan terbangun atau jenis sisi ekonomi dan sosial (Wang et al., 2023).
penggunaan lahan lainnya per tahun, yang dapat Sementara Gregorio dan Jansen menyatakan
membantu dalam memahami kecepatan bahwa land cover mengacu pada berbagai jenis
transformasi lahan di daerah tersebut. Dengan tutupan biologis atau fisik di permukaan bumi,
mengintegrasikan teknologi geospasial dan terutama pada sifat alami lahan, seperti hutan,
metodologi klasifikasi yang tepat, hasil padang rumput, lahan terbangun, dan yang
penelitian ini diharapkan dapat memberikan lainnya (Wang et al., 2023). Klasifikasi LULC
wawasan baru yang bermanfaat dalam dipahami sebagai proses penunjukan kelas
pengambilan kebijakan dan perencanaan tata tutupan lahan menjadi piksel dan
ruang yang berkelanjutan, serta mendukung mengkategorikannya (Alshari and Gawali,
upaya menjaga ketahanan pangan dan kualitas 2021).
lingkungan di Kota Malang.
Research Question dari penelitian ini 2.3 Analisis Geospasial
meliputi :
1. Bagaimana perbandingan metode SVM Analisis geospasial adalah proses yang
dan Random Forest untuk klasifikasi terbimbing dikaitkan dengan lokasi atau area geografis
lahan sawah di Kota Malang? tertentu, meliputi pengumpulan, penampilan,
2. Bagaimana tren perubahan luas area manipulasi, dan interpretasi data geografis, serta
lahan sawah di Kota Malang dari 2018-2023? dapat menggunakan teknologi Sistem Informasi
3. Jenis penggunaan lahan apa yang paling Geografis serta alat statistik dan spasial untuk
banyak menggantikan lahan sawah di Kota mendukung pengambilan keputusan yang akurat
Malang? di berbagai bidang (Basuki et al., 2023). Analisis
4. Berapa laju perubahan lahan sawah geospasial juga dipahami sebagai proses dimana
menjadi lahan terbangun atau jenis penggunaan peneliti mengubah data geospasial menjadi
lahan lainnya per tahun? informasi geospasial yang prosesnya dapat
berupa transformasi, manipulasi, dan kumpulan
2. TINJAUAN PUSTAKA metode yang diterapkan pada data tersebut, guna
memberikan nilai tambah dan mengungkapkan
2.1 Penelitian Terdahulu pola serta anomali yang sebelumnya tidak
terlihat dengan jelas (Ramdani, 2021a). Tujan
Berdasarkan penelitian sebelumnya,
analisis geospasial menurut Fatwa Ramdani
algoritma SVM dan Random Forest sering
adalah menemukan hubungan antara fitur-fitur
digunakan dalam klasifikasi tutupan lahan
geografis di permukaan bumi dan
karena keduanya menunjukkan kinerja yang
menggambarkan fenomena yang terjadi
unggul. SVM terbukti lebih baik dibandingkan
(Ramdani, 2017).
algoritma lain seperti KLR dan NBT dalam
studinya (Tariq et al., 2023), sementara Random 2.4 Data Geospasial
Forest memiliki akurasi yang lebih tinggi
dibandingkan CART dan SVM (Zafar et al., Data spasial dan geospasial memiliki
2024). Selain itu, indikator Kappa Coefficient pengertian yang sama, yakni data yang
dan Overall Accuracy umum digunakan untuk direpresentasikan secara numerik melalui sistem
menilai kualitas klasifikasi (Zafar et al., 2024). koordinat untuk menggambarkan objek atau
Penelitian ini mengembangkan pendekatan lokasi di permukaan bumi dalam suatu sistem
yang berbeda dengan fokus pada klasifikasi tertentu (Basuki et al., 2023). Data spasial
lahan sawah di Kota Malang. Data yang merujuk pada konteks keruangan yang lebih
digunakan berasal dari citra satelit Sentinel-2, luas, sementara data geospasial berfokus pada
dianalisis menggunakan platform Google Earth lokasi kebumian. Model data geospasial ada 2,
Engine, dan membandingkan efektivitas yaitu data raster dan data vektor. Data raster
terdiri dari piksel yang tersusun atas baris dan

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4

grid, serta setiap selnya mempunyai nilai yang Earth Engine. Sentinel-2 diluncurkan guna
merepresentasikan sebuah informasi, sementara memantau kondisi permukaan bumi, sehingga
data vektor merepresentasikan informasi dalam dapat memberikan informasi kondisi bumi
bentuk titik, garis, dan poligon (Ramdani, 2017). terupdate untuk aplikasi lingkungan dan
Analisis geospasial yang dilakukan pada data keamanan (Semedi et al., 2021). Dalam hal land
raster didasarkan pada nilai-nilai yang terdapat monitoring, Sentinel-2 didesain agar bisa
dalam baris dan kolom dari sel-sel dalam sebuah digunakan, salah satunya dalam agro-
citra (Ramdani, 2017). environmental monitoring, dimana high level
products yang dihasilkan pengguna dari data
2.5 Citra Satelit satelit ini akan menyediakan parameter yang
Citra satelit merupakan gambaran dua mencirikan vegetasi, energy budget, dan siklus
dimensi dari suatu objek di dunia nyata, yang air (Anon., 2024). Pech-May dalam kesimpulan
didapatkan dari pantulan pancaran radiasi penelitiannya menyatakan bahwa Sentinel-2
elektomagnetik (Semedi et al., 2021). Citra punya karakteristik yang memungkinkan dalam
satelit dalam bidang geospasial adalah satelit klasifikasi penggunaan lahan, deteksi tanaman,
observasi bumi, seperti LANDSAT, MODIS, dan bidang penelitian yang lainnya (Pech-May et
SENTINEL, SPOT, ALOS, IKONOS, al., 2022).
QUICKBIRD, dan lain-lain. Akuisisi data dari
2.8 Supervised Classification
citra satelit observasi bumi menggunakan remote
sensing menghasilkan data geospasial berupa Supervised classification dapat dipahami
data raster (Ramdani, 2017). sebagai proses ekstraksi informasi tutupan dan
penggunaan lahan dari data citra satelit dengan
2.6 Google Earth Engine pendekatan machine learning, dimana diberikan
Google Earth Engine atau GEE merupakan data latih kepada mesin untuk dianalisis secara
sebuah aplikasi geokomputasi awan yang otomatis dan menyeluruh tentang informasi
menyediakan kemampuan mengelola data citra tutupan dan penggunaan lahan yang terdapat
satelit dalam struktur data raster (Ramdani, pada area studi (Ramdani, 2021a). Supervised
2021b). Plaform Google Earth Engine sangat classification memiliki banyak metode yang bisa
membantu untuk meningkatkan efisiensi diterapkan, seperti Maximum Likelihood
komputasi dan membuat pemetaan tanaman Classification (MLC), Support Vector Machine
skala besar lebih praktis (Liu et al., 2020). (SVM), Random Forest, Decision Tree
Chiranjit Singha dan Kishore Chandra Swain Classification, dan Neural Network
memanfaatkan GEE cloud untuk memantau Classification (Rusydi and Masitoh, 2023).
pertumbuhan tanaman padi menggunakan Zhang dalam penelitiannya, mengusukan sebuah
machine learning models dan menghasilkan framework pemetaan phenology-assisted
temuan bahwa model regresi serta klasifikasi supervised paddy rice (PSPR) yang fleksibel
machine learning mampu meningkatkan prediksi pada Google Earth Engine (Zhang, Zhang and
untuk sistem pengambilan keputusan yang lebih Tian, 2023). Hossein Shafizadeh-Moghadam
baik dengan mengidentifikasi informasi fenologi dalam kesimpulan penelitiannya terkait LULC
tanaman secara tepat (Singha and Swain, 2023). menyatakan bahwa multi-resolution
GEE juga digunakan dalam penelitian segmentation dan teknik feature selection
Venkatappa tentang dampak dari kekeringan dan direkomendasikan untuk penelitian mendatang
banjir terhadap croplands dan crop production (Shafizadeh-Moghadam et al., 2021). Penelitian
di Asia Tenggara yang menghasilkan Arpitha menyimpulkan bahwa keefektifan dari
kesimpulan bahwa dataset lingkungan bisa klasifikasi menggunakan metode Random
dengan mudah diakses dengan murah bahkan Forest, SVM, dan CART sudah teruji (Arpitha,
tanpa biaya, sehingga pemerintah bisa Ahmed and Harishnaika, 2023). Penelitian
memanfaatkan data dan teknologi ini untuk (Chowdhury, 2024) menunjukkan bahwa
decision making yang berkelanjutan di meskipun metode SVM memiliki performa lebih
wilayahnya (Venkatappa et al., 2021). baik dibanding metode lainnya, pada area studi
kota Dhaka akurasinya lebih rendah dari
2.7 Citra Satelit Sentinel-2 Random Forest , sehingga metode klasifikasi
terbimbing untuk area studi kota Malang perlu
Dataset Citra Satelit Sentinel-2 dapat untuk diteliti.
diakses dengan mudah melalui platform Google

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 5

2.9 Analisis Multitemporal mendapatkan hasil lebih baik atau memperbaiki

kesalahan. Kerangka kerja model sakura diawali
Analisis multitemporal mengamati
dengan permasalahan, kemudian metode yang
perubahan suatu fenomena di suatu lokasi yang
ditawarkan untuk memecahkan masalah dan
sama dalam beberapa titik waktu yang berbeda.
proses pengumpulan data, lalu proses analisis
Analisis multitemporal mampu meningkatkan
dan penarikan kesimpulan (Ramdani, 2021a).
hasil akurasi klasifikasi secara umum (Li and
Wang, 2020). Yiqing Guo dalam penelitiannya
menggunakan citra multitemporal Sentinel-2A
dalam pendekatan SVM-based Sequential
Classifier Training (SCT-SVM) (Guo, Jia and
Paull, 2018). Penelitian Wang Jin berhasil
menggunakan CRSEI untuk memantau
perubahan multitemporal eco-environmental
quality (Jin et al., 2023). Penelitian Ning Qi
memilih fitur spektral multitemporal, termasuk
fitur reflektansi spektral multitemporal dan fitur
indeks spektral multitemporal, untuk
meningkatkan akurasi klasifikasi pohon teh dan
hutan hijau abadi (Qi et al., 2023). Gambar 1. Kerangka Berpikir Adaptasi Model
Sakura
2.10 Change Detection
3.3. Alur Pengolahan Citra Sentinel-2
Change detection merupakan proses
mengidentifikasi dan memeriksa perubahan
spektral-temporal dalam sinyal (Wang et al.,
2022). Change detection bertujuan untuk
menganalisis perubahan yang terjadi dari waktu
ke waktu akibat aktivitas antopogenik yang
mengubah permukaan bumi secara luas (Ahmed
et al., 2022). Change detection dan klasifikasi
tutupan lahan tidak lagi diterapkan dalam
kegiatan yang terpisah, sehingga memungkinkan
ekstraksi informasi yang lebih komprehensif dan
lebih berarti terkait perubahan (Hemati et al.,
2021). Zhu dalam penelitiannya mengusulkan
framework Siamese global learning (Siam-GL)
untuk semantic change detection (Zhu et al., Gambar 2. Flowchart Pengolahan Citra Sentinel-2
2022).
Gambar diatas menunjukan tahapan
pengolahan data satelit yang meliputi:
3. METODOLOGI PENELITIAN
1. Input Citra Sentinel-2 pada GEE
3.1. Area Studi Langkah pertama dalam pengolahan adalah
membuat variabel input dari dataset Harmonized
Penelitian ini difokuskan pada Kota Sentinel-2 Level-2A yang tersedia di Google
Malang, yang terletak di provinsi Jawa Timur, Earth Engine (GEE). Tahap ini menghasilkan
Indonesia. Lokasinya secara astronomis berada luaran berupa ImageCollection yang berisi citra
pada koordinat 112,06° – 112,07° Bujur Timur Sentinel-2 yang dapat diolah lebih lanjut.
dan 7,06° – 8,02° Lintang Selatan. Kota Malang 2. Pre-processing Data
memiliki 5 Kecamatan, yaitu Blimbing, Klojen, Pre-processing data meliputi proses filtering
Kedungkandang, Lowokwaru, dan Sukun. berdasarkan rentang waktu, cloud masking
untuk menghilangkan piksel dengan tutupan
3.2. Kerangka Berpikir awan, serta clipping untuk membatasi area
Penulis mengadaptasi model sakura dalam analisis sesuai batas administrasi Kota Malang.
kerangka berpikir, yang artinya peneliti dapat Hasil dari tahap ini adalah citra Sentinel-2 yang
kembali ke tahap sebelumnya jika ingin telah diolah dan siap digunakan untuk analisis

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 6

lebih lanjut. 9. Pembuatan Komponen Peta Interaktif di

3. Data Training Preparation GEE
Persiapan data latih adalah memberikan Pembuatan peta interaktif dilakukan dengan
titik-titik pada setiap jenis tutupan lahan untuk menambahkan tombol dan komponen kartografi
kemudian diimpor ke dalam FeatureCollection lainnya sehingga peta bisa diklik untuk setiap
dengan pemberian property dan value. Tabel 1 kecamatan dan menampilkan grafik data hasil
menunjukkan pengaturan setiap jenis data latih. klasifikasinya. Luaran proses ini adalah Peta
Interaktif Analisis Geospasial Perubahan Lahan
Tabel 1. Konfigurasi Data Latih Sawah di Kota Malang pada Tahun 2018-2023
di Google Earth Engine.
Nama Import as Property Value
Sawah FeatureColle landcover 1
ction 3.3. Alur Uji Akurasi
Pemukiman FeatureColle landcover 2
ction Langkah awal dalam uji akurasi adalah
LahanTerb FeatureColle landcover 3 pembuatan data uji (test data) dengan membuat
angunLain ction
Air FeatureColle landcover 4 titik-titik poligon dengan pemberian properti
ction kelas dan nilai, sehingga menghasilkan
VegetasiLa FeatureColle landcover 5 featureCollection data uji. Selanjutnya adalah
in ction
menggabungkan data uji yang sudah dibuat,
4. Supervised Classification kemudian dilakukan sampling hasil klasifikasi.
Klasifikasi terbimbing dilakukan dengan Setelah kode dijalankan akan didapatkan matrix
perbandingan penggunaan metode, yaitu SVM error beserta nilai overall accuracy dan kappa
dan Random Forest. Data latih yang sudah coefficient. Jika nilai kappa koefficient diatas
dibuat sebelumnya dikelompokkan berdasarkan 0.6 dan overall accuracy diatas 70% maka
kategorinya. Luaran dari tahap ini adalah peta selesai. Jika tidak, maka dilakukan perbaikan
hasil klasifikasi untuk masing-masing tahun dari data latih, kemudian melakukan klasifikasi ulang
2018 hingga 2023, dengan menggunakan kedua & clipping, kemudian kembali ke langkah awal
metode tersebut. uji akurasi. Alurnya terdapat dalam Gambar3.
5. Clipping Hasil Klasifikasi
Hasil peta klasifikasi dipotong berdasarkan
batas kecamatan di Kota Malang untuk
menyesuaikan area analisis dan mempermudah
penghitungan perubahan pada wilayah
administrasi yang lebih kecil.
6. Uji Akurasi
Pada tahap ini, validasi dilakukan untuk
menilai sejauh mana hasil klasifikasi
mencerminkan kondisi lahan yang sebenarnya
berdasarkan data referensi. Dua parameter utama
yang digunakan dalam pengukuran akurasi Gambar 3. Flowchart Uji Akurasi
adalah Kappa Coefficient dan Overall Accuracy.
7. Change Detection Analysis 4. AKUISISI DAN ANALISIS DATA
Analisis deteksi perubahan dilakukan
dengan membandingkan peta hasil klasifikasi 4.1. Input Citra-Sentinel-2
dari tahun ke tahun. Tahap ini menghasilkan Dataset dalam Google Earth Engine
citra perubahan, luas area sawah yang berubah, menyediakan berbagai jenis citra, salah satunya
jenis perubahan, serta persentase perubahan Harmonized Sentinel-2 MSI: MultiSpectral
lahan sawah ke kelas lain setiap tahunnya. Instrument, Level-2A. Citra ini diimpor ke
8. Analisis Laju Perubahan dalam variabel menggunakan fungsi
Analisis laju perubahan lahan sawah “[Link]()”.
dilakukan dengan menghitung perbandingan
antara luas lahan sawah dengan periode 4.2. Pre-Processing Data
waktunya. Hasilnya berupa laju perubahan lahan
sawah di Kota Malang setiap tahun dari 2018- Tahapan pre-processing data meliputi
2023. beberapa tahapan, yaitu filtering data

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 7

berdasarkan waktu, cloud masking untuk

menghilangkan tutupan awan, clipping sesuai
batas administrasi kota, dan visualisasi citra hasil
Pre-Processing. Hasilnya adalah citra Sentinel-2
yang dipotong sesuai wilayah Kota Malang.

4.3. Data Training Preparation

Persiapan data latih dilakukan dengan
membuat polygon geometry untuk masing- Gambar 6. Peta Klasifikasi Lahan Kecamatan
masing kelas penggunaan lahan, seperti pada Kedungkandang Tahun 2018 dengan SVM dan
Gambar 4. Jumlah data latih adalah 50 geometry Random Forest
untuk setiap kelas, kecuali air yang berjumlah
13. 4.6. Uji Akurasi
Proses uji akurasi dilakukan dengan
pembuatan data uji geometry. Data uji tersebut
kemudian digabungkan dan dilakukan sampling
data untuk kemudian dibuat confussion matrix.
Dari nilai confussion matrix tersebut lalu
dihitung nilai Overall Accuracy dan Kappa
Gambar 4. Pembuatan Data Latih pada Citra Coefficient. Hasil akurasi menunjukkan bahwa
Sentinel- 2 Hasil Pre-processing Data Random Forest memiliki tingkat akurasi yang
lebih tinggi dibandingkan dengan SVM. Data
4.4. Supervised Classification hasil akurasi terdapat pada Gambar 7.
Klasifikasi terbimbing dilakukan dengan 2
SVM Random Forest
metode, yaitu SVM dan Random Forest. Dalam
klasifikasi SVM fungsinya menggunakan Tahun Ka ppa Overa l l Ka ppa Overa l l
“[Link]()”. Sementara dalam Coeffi ci ent Accura cy Coeffi ci ent Accura cy
klasifikasi Random Forest, tree yang digunakan 2018 0.717 0.803 0.857 0.901
berjumlah 100 dengan fungsi 2019 0.834 0.886 0.881 0.918
“[Link]({numberOfT 2020 0.793 0.857 0.835 0.886
rees: 100})”. Hasilnya adalah peta klasifikasi 2021 0.854 0.901 0.885 0.921
lahan kota Malang dari 2018-2023, seperti
2022 0.765 0.838 0.845 0.894
Gambar 5.
2023 0.821 0.878 0.848 0.896

Rata-Rata 0 .7 9 7 0 .8 6 0 .8 5 8 0 .9 0 2

Gambar 7. Hasil Uji Akurasi SVM dan Random

Forest

4.7. Change Detection Analysis

Analisis deteksi perubahan dilakukan
dengan membandingkan citra hasil klasifikasi
Gambar 5. Peta Klasifikasi Lahan Kota Malang Random Forest secara multitemporal, yang
Tahun 2018 dengan SVM dan Random Forest artinya dibandingkan antara tahun ke-1 dan
tahun ke-2. Hasilnya adalah Peta Perubahan
Lahan Sawah di Kota Malang secara
multitemporal dari 2018-2023, seperti pada
4.5. Clipping Hasil Klasifikasi Gambar 8-12.
Pemotongan hasil klasifikasi bertujuan
untuk menampilkan hasil klasifikasi setiap
kecamatan di Kota Malang. Proses ini
menghasilkan peta klasifiksi tiap kecamatan dari
2018-2023, seperti pada Gambar 6.

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 8

4.8. Analsis Laju Perubahan

Laju perubahan dihitung dengan
menghitung luas dibagi waktu pengamatan.
Karena waktu penghitungan adalah setiap tahun,
maka rumusnya adalah luas area tahun kedua
dikurangi luas area tahun pertama, kemudian
hasilnya dibagi luas tahun pertama dikalikan 100
persen. Hasilnya adalah presentase laju
Gambar 8. Change Detection Lahan Sawah 2018- perubahan lahan sawah setiap tahun. Rumusnya
2019
adalah sebagai berikut:
Laju Perubahan =((area2 - area1) / area1)* 100%

4.9. Pembuatan Peta Interaktif di GEE Apps

Pembuatan komponen Peta Interaktif di
GEE dilakukan dengan menambahkan citra
Sentinel-2 hasil pre-processing data, peta hasil
klasifikasi lahan, dan peta hasil change detection
ke dalam Assets di Google Earth Engine. Hasil
Gambar 9. Change Detection Lahan Sawah 2019- publikasi aplikasi bisa diakses melalui link
2020 berikut ini: [Link]
[Link]/view/analisi
s-geospasial-perubahan-sawah-di-kota-malang-
2018-2023

5. HASIL DAN PEMBAHASAN

5.1. Perbandingan SVM dan Random Forest

Hasil perbandingan antara metode
klasifikasi terbimbing SVM dan Random Forest
Gambar 10. Change Detection Lahan Sawah 2020- menunjukkan bahwa Random Forest memiliki
2021
tingkat akurasi yang lebih tinggi. Pada Gambar
7 bisa disimpulkan bahwa dari tahun 2018-2023
Random Forest memiliki nilai Kappa Coefficient
dan Overall Accuracy yang lebih tinggi
dibandingkan dengan SVM. Rata-rata nilai
Kappa Coefficient dari SVM adalah 0.79,
sementara Random Forest adalah 0.85. Rata-rata
Overall Accuracy dari SVM adalah 86%,
sementara Random Forest adalah 90.2%.
Gambar 11. Change Detection Lahan Sawah 2021- 5.2. Tren Perubahan Luas Lahan Sawah
2022
1. Tren Perubahan di Kota Malang

Gambar 12. Change Detection Lahan Sawah 2022-

2023 Gambar 13. Grafik Tren Perubahan Luas Sawah
Kota Malang 2018-2023

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 9

Grafik pada Gambar 13 menunjukkan 4. Tren Perubahan di Kec. Kedungkandang

bahwa pada tahun 2018-2019 terjadi penurunan
luas lahan sawah sebesar 319,22 hektare. Pada
2019-2020 terjadi penambahan luas sawah
sebanyak 78,92 hektare. Pada 2020-2021 terjadi
penambahan sebanyak 60,10 hektare. Pada
2021-2022 terjadi penambahan sebanyak 10,43
hektare. Pada 2022-2023 terjadi penurunan
sebanyak 131,49 hektar.
2. Tren Perubahan di Kec. Blimbing Gambar 16. Grafik Tren Perubahan Luas Sawah di
Kecamatan Kedungkandang 2018-2023

Grafik pada Gambar 16 menunjukkan tren

perubahan lahan sawah di kecamatan
Kedungkandang. Pada tahun 2018-2019 terjadi
penurunan luas lahan sawah sebesar 236,89
hektare. Pada 2019-2020 terjadi penambahan
luas sawah sebanyak 27,82 hektare. Pada 2020-
Gambar 14. Grafik Tren Perubahan Luas Sawah di 2021 terjadi penambahan sebanyak 38,87
Kecamatan Blimbing 2018-2023 hektare. Pada 2021-2022 terjadi penambahan
sebanyak 42,55 hektare. Pada 2022-2023 terjadi
Grafik pada Gambar 14 menunjukkan tren penurunan sebanyak 70,83 hektar.
perubahan lahan sawah di kecamatan Blimbing. 5. Tren Perubahan di Kec. Lowokwaru
Pada tahun 2018-2019 terjadi penurunan luas
lahan sawah sebesar 7,95 hektare. Pada 2019-
2020 terjadi penurunan luas sawah sebanyak
4,13 hektare. Pada 2020-2021 terjadi penurunan
sebanyak 5,13 hektare. Pada 2021-2022 terjadi
penambahan sebanyak 2,01 hektare. Pada 2022-
2023 terjadi penambahan sebanyak 3,42 hektar.
3. Tren Perubahan di Kec. Klojen
Gambar 17. Grafik Tren Perubahan Luas Sawah di
Kecamatan Lowokwaru 2018-2023

Grafik pada Gambar 17 menunjukkan tren

perubahan lahan sawah di kecamatan
Lowokwaru. Pada tahun 2018-2019 terjadi
penurunan luas lahan sawah sebesar 9,33
hektare. Pada 2019-2020 terjadi penambahan
Gambar 15. Grafik Tren Perubahan Luas Sawah di luas sawah sebanyak 25,33 hektare. Pada 2020-
Kecamatan Klojen 2018-2023 2021 terjadi penambahan sebanyak 8,92 hektare.
Pada 2021-2022 terjadi penurunan sebanyak
Grafik pada Gambar 15 menunjukkan tren
22,82 hektare. Pada 2022-2023 terjadi
perubahan lahan sawah di kecamatan Klojen.
penurunan sebanyak 41,21 hektar.
Pada tahun 2018-2019 terjadi penurunan luas
6. Tren Perubahan di Kec. Sukun
lahan sawah sebesar 4,64 hektare. Pada 2019-
2020 terjadi penambahan luas sawah sebanyak
1,05 hektare. Pada 2020-2021 terjadi
penambahan sebanyak 5,83 hektare. Pada 2021-
2022 terjadi penambahan sebanyak 3,76 hektare.
Pada 2022-2023 terjadi penambahan sebanyak
1,19 hektar.

Gambar 18. Grafik Tren Perubahan Luas Sawah di

Kecamatan Sukun 2018-2023

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 10

Grafik pada Gambar 18 menunjukkan tren 2. Jenis Pengganti Sawah 2019-2020

perubahan lahan sawah di kecamatan Sukun.
Pada tahun 2018-2019 terjadi penurunan luas
lahan sawah sebesar 60,82 hektare. Pada 2019-
2020 terjadi penambahan luas sawah sebanyak
27,92 hektare. Pada 2020-2021 terjadi
penambahan sebanyak 13,35 hektare. Pada
2021-2022 terjadi penambahan sebanyak 14,61
hektare. Pada 2022-2023 terjadi penurunan
sebanyak 24,65 hektar.
3. Tren Perubahan di 5 Kecamatan Gambar 21. Perubahan Lawah Menjadi Jenis Lain
2019-2020

Grafik pada Gambar 21 menunjukkan jenis

perubahan lahan sawah pada 2019-2020 menjadi
Vegetasi lain sebanyak 185,81 hektare.
Pemukiman sebanyak 79,11 hektare. Air
sebanyak 1,03 hektare. Lahan terbangun lain
sebanyak 0,43 hektare.
3. Jenis Pengganti Sawah 2020-2021

Gambar 19. Grafik Tren Perubahan Luas Sawah di 5

Kecamatan 2018-2023

Grafik pada Gambar 19 menunjukkan

bahwa penurunan luas sawah terbanyak dari ada
di kecamatan Kedungkandang pada tahun 2018-
2019.

5.3. Jenis Penggunaan Lahan yang Gambar 22. Perubahan Lawah Menjadi Jenis Lain
Menggantikan Sawah 2020-2021
1. Jenis Pengganti Sawah 2018-2019
Grafik pada Gambar 22 menunjukkan jenis
perubahan lahan sawah pada 2020-2021
menjadi Vegetasi lain sebanyak 175,59 hektare.
Pemukiman sebanyak 90,91 hektare. Air
sebanyak 0,84 hektare. Lahan terbangun lain
sebanyak 0,14 hektare.
4. Jenis Pengganti Sawah 2021-2022

Gambar 20. Perubahan Lawah Menjadi Jenis Lain

2018-2019

Grafik pada Gambar 20 menunjukkan jenis

perubahan lahan sawah pada 2018-2019 menjadi
Vegetasi lain sebanyak 440,75 hektare.
Pemukiman sebanyak 179,85 hektare. Air
sebanyak 7,5 hektare. Lahan terbangun lain Gambar 23. Perubahan Lawah Menjadi Jenis Lain
sebanyak 2,60 hektare. 2021-2022

Grafik pada Gambar 23 menunjukkan jenis

perubahan lahan sawah pada 2021-2022
menjadi Vegetasi lain sebanyak 246,65 hektare.
Pemukiman sebanyak 108,61 hektare. Air
sebanyak 1,92 hektare. Lahan terbangun lain

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 11

sebanyak 0,33 hektare. lahan sawah tiap tahun pada Gambar 4.9. Dapat
5. Jenis Pengganti Sawah 2022-2023 diketahui bahwa pada 2018-2019 terjadi laju
perubahan secara negatif sebanyak 25.42% per
tahun. Pada 2019-2020 terjadi laju perubahan
positif sebanyak 8.43% per tahun. Pada 2020-
2021 terjadi laju perubahan positif sebanyak
5.92% per tahun. Pada 2021-2022 terjadi laju
perubahan positif sebanyak 0.97%. Pada 2022-
2023 terjadi laju perubahan negatif sebanyak
12,11% per tahun.

Gambar 24. Perubahan Lawah Menjadi Jenis Lain 6. KESIMPULAN DAN SARAN
2022-2023
6.1. Kesimpulan
Grafik pada Gambar 5.6 menunjukkan jenis
perubahan lahan sawah pada 2022-2023 Penelitian ini menghasilkan kesimpulan
menjadi Vegetasi lain sebanyak 287,95 hektare. sebagai berikut:
Pemukiman sebanyak 153,39 hektare. Air 1. Metode Random Forest memiliki tingkat
sebanyak 3,59 hektare. Lahan terbangun lain akurasi yang lebih tinggi dibandingkan metode
sebanyak 2,02 hektare. SVM. Random Forest mencapai rata-rata overall
accuracy sebesar 90.2% dan nilai rata-rata kappa
5. Jenis Pengganti Sawah 2018-2023 coefficient sebesar 0.85, menunjukkan bahwa
metode ini lebih andal untuk klasifikasi lahan
Tabel 2. Presentase Jenis Perubahan Lahan Sawah sawah di Kota Malang.
per Tahun 2. Tren perubahan luas area lahan sawah di Kota
Malang dari tahun 2018 hingga 2023
Presentase Jenis Perubahan Sawah per Tahun
Tahun Lahan Terbangun
menunjukkan penurunan signifikan, terutama
Pemukiman Air Vegetasi Lain
Lain
pada periode 2018-2019. Kecamatan
2018-2019 28.51% 0.41% 1.20% 69.88%
2019-2020 29.70% 0.16% 0.39% 69.75%
Kedungkandang menjadi penyumbang utama
2020-2021 33.99% 0.06% 0.31% 65.64% penurunan luas sawah pada periode tersebut.
2021-2022 30.38% 0.09% 0.54% 68.99% 3. Jenis penggunaan lahan yang paling banyak
2022-2023 34.32% 0.45% 0.80% 64.42% menggantikan lahan sawah di Kota Malang
Rata-Rata 31.38% 0.23% 0.65% 67.74%
adalah:
• Vegetasi Lain sebesar 67.74%,
Tabel 2 menunjukkan bahwa perubahan • Pemukiman sebesar 31.38%,
jenis sawah paling banyak adalah menjadi • Air sebesar 0.65%, dan
Vegetasi Lain dengan rata-rata presentase • Lahan terbangun lain sebesar 0.23%.
67.74%. Jenis Lahan yang menggantikan sawah 4. Laju perubahan lahan sawah per tahun
kedua adalah Pemukiman dengan presentase tertinggi terjadi pada periode 2018-2019, dengan
rata-rata 31.38%. Ketiga adalah Air dengan rata- penurunan sebesar 25.42% per tahun.
rata presentase 0.65%. Terakhir adalah Lahan Sebaliknya, laju perubahan terendah berupa
terbangun lain dengan rata-rata presentase peningkatan luas sawah sebesar 0.97% per tahun
0.23%. terjadi pada periode 2021-2022.

5.4. Laju Perubahan Lahan Sawah menjadi 6.1. Saran

Jenis Penggunaan Lainnya per Tahun
Dalam penelitian ini, dilakukan serangkaian
metode yang meliputi Supervised Classification
dengan SVM dan Random Forest. Dari hasil
klasifikasi itu dilakukan change detection secara
multitemporal. Hal ini berarti hasil change
detection sangat bergantung dari kualitas
klasifikasi yang dilakukan. Oleh karena itu,
Gambar 25. Tampilan Hasil Penghitungan Laju disarankan untuk penelitian kedepan agar
Perubahan Lahan Sawah per Tahun di Console GEE
meningkatkan hasil uji akurasi, baik dengan
Berdasarkan penghitungan laju perubahan mencoba metode klasifikasi yang lain, atau

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 12

menambahkan jumlah data latih untuk algoritma using machine learning algorithms in google
machine learningnya. Selain itu, jenis citra yang earth engine. Earth Science Informatics, [online]
beragam juga disarankan agar bisa 16(4), pp.3057–3073.
membandingkan hasil klasifikasi masing- [Link]
masing citra satelit. Basuki, Apriyeni, B.A.R., Purnamasari, I.,
Rachman, H.A., Rahman, F.A. and Mubarokah,
7. DAFTAR PUSTAKA N., 2023. Pengantar Informasi Geospasial.
Ahmed, R., Ahmad, S.T., Wani, G.F., Ahmed, Tahta Media Group.
P., Mir, A.A. and Singh, A., 2022. Analysis of Chowdhury, M.S., 2024. Comparison of
landuse and landcover changes in Kashmir accuracy and reliability of random forest,
valley, India—A review. GeoJournal, [online] support vector machine, artificial neural network
87(5), pp.4391–4403. and maximum likelihood method in land
[Link] use/cover classification of urban setting.
Alshari, E.A. and Gawali, B.W., 2021. Environmental Challenges, [online] 14(October
Development of classification system for LULC 2023), p.100800.
using remote sensing and GIS. Global [Link]
Transitions Proceedings, [online] 2(1), pp.8–17. Floreano, I.X. and de Moraes, L.A.F., 2021.
[Link] Land use/land cover (LULC) analysis (2009–
Angraini, F., Selpiyanti, S. and Walid, A., 2020. 2019) with Google Earth Engine and 2030
Dampak Alih Fungsi Lahan Sawah Menjadi Non prediction using Markov-CA in the Rondônia
Pertanian Mengakibatkan Ancaman Degradasi State, Brazil. Environmental Monitoring and
Lingkungan. JURNAL SWARNABHUMI : Assessment, [online] 193(4), pp.1–17.
Jurnal Geografi dan Pembelajaran Geografi, [Link]
5(2), p.36. Guo, Y., Jia, X. and Paull, D., 2018. Effective
[Link] Sequential Classifier Training for SVM-Based
1. Multitemporal Remote Sensing Image
Anon. 2021. Luas Lahan Sawah Menurut Classification. IEEE Transactions on Image
Kecamatan dan Jenis Pengairan di Kota Malang Processing, 27(6), pp.3036–3048.
(Hektar (ha)). [online] BPS Kota Malang. [Link]
Available at: Hemati, M., Hasanlou, M., Mahdianpari, M. and
<[Link] Mohammadimanesh, F., 2021. A systematic
table/2/MTcwIzI=/luas-lahan-sawah-menurut- review of landsat data for change detection
kecamatan-dan-jenis-pengairan-di-kota- applications: 50 years of monitoring the earth.
[Link]> [Accessed 26 September 2024]. Remote Sensing, 13(15).
Anon. 2023. Laporan Akhir Analisis Pola [Link]
Konsumsi Pangan Kota Malang – Provinsi Jawa Jin, W., Li, H., Wang, J., Zhao, L., Li, X., Fan,
Timur Tahun 2023. [online] Malang. Available W. and Chen, J., 2023. Continuous remote
at: <[Link] sensing ecological index (CRSEI): A novel
content/uploads/sites/15/2024/04/Laporan- approach for multitemporal monitoring of eco-
Akhir-Analisa-Pola-Konsumsi-Pangan-Kota- environmental changes on large scale.
[Link]>. Ecological Indicators, [online] 154(July),
Anon. 2024. Produksi Padi di Kota Malang, p.110739.
Jawa Timur, dan Indonesia. [online] Badan [Link]
Pusat Statistik Kota Malang. Available at: Li, J. and Wang, L., 2020. Forest Type
<[Link] Classification with Multitemporal Sentinel-2
table/2/NDkzIzI=/produksi-padi-di-kota- Data. Proceedings - IEEE Congress on
[Link]> Cybermatics: 2020 IEEE International
[Accessed 26 September 2024]. Conferences on Internet of Things, iThings 2020,
Anon. 2024. Sentinel-2 Applications. [online] IEEE Green Computing and Communications,
Sentiwiki. Available at: GreenCom 2020, IEEE Cyber, Physical and
<[Link] Social Computing, CPSCom 2020 and IEEE
applications> [Accessed 30 September 2024]. Smart Data, SmartD, pp.498–504.
Arpitha, M., Ahmed, S.A. and Harishnaika, N., [Link]
2023. Land use and land cover classification CPSCom-SmartData-
Cybermatics50389.2020.00091.

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 13

Liu, X., Zhai, H., Shen, Y., Lou, B., Jiang, C., BERBASIS RUANG. Kabupaten Banyumas: CV.
Li, T., Hussain, S.B. and Shen, G., 2020. Large- Pena Persada. p.38.
Scale Crop Mapping from Multisource Remote Ramdani, D.F., 2021b. Konsep Dasar GEE. In:
Sensing Images in Google Earth Engine. IEEE Google Earth Engine Metode, Teknik, dan
Journal of Selected Topics in Applied Earth Aplikasi. Malang: UB Press. p.1.
Observations and Remote Sensing, 13, pp.414– Rusydi, A.N. and Masitoh, F., 2023. Teknologi
427. Pengindraan Jauh untuk Pengelolaan
[Link] Lingkungan Perairan. Malang: UB Press.
Meng, L., Li, Y., Shen, R., Zheng, Y., Pan, B., Saini, P. and Nagpal, B., 2024. Spatiotemporal
Yuan, W., Li, J. and Zhuo, L., 2024. Large-scale Landsat-Sentinel-2 satellite imagery-based
and high-resolution paddy rice intensity Hybrid Deep Neural network for paddy crop
mapping using downscaling and phenology- prediction using Google Earth engine. Advances
based algorithms on Google Earth Engine. in Space Research, [online] 73(10), pp.4988–
International Journal of Applied Earth 5004. [Link]
Observation and Geoinformation, [online] SatuDataKotaMalang, 2024. S. [online] Satu
128(October 2023), p.103725. Data Kota Malang. Available at:
[Link] <[Link]
Nasiri, V., Deljouei, A., Moradi, F., Seyed bidang=Pertanian> [Accessed 3 September
Mohammad Moein, S. and Borz, and S.A., 2024].
2022. Land Use and Land Cover Mapping Using Semedi, B., Rijal, S.S., Sambah, A.B. and
Sentinel-2 , Landsat-8 Two Composition Isdianto, A., 2021. Pengantar Penginderaan
Methods. Remote Sens., 14(9), p.1977. Jauh Kelautan. Malang: UB Press.
Nugroho, B.A., Dhonanto, D. and Darma, S., Shafizadeh-Moghadam, H., Khazaei, M.,
2024. Analisis Pola Perubahan Lahan Sawah Alavipanah, S.K. and Weng, Q., 2021. Google
Menggunakan Sistem Informasi Geografis Earth Engine for large-scale land use and land
(Studi Kasus: Kelurahan Makroman, cover mapping: an object-based classification
Samarinda). Jurnal Tanah dan Sumberdaya approach using spectral, textural and
Lahan, 11(2), pp.309–317. topographical factors. GIScience and Remote
[Link] Sensing, [online] 58(6), pp.914–928.
Pech-May, F., Aquino-Santos, R., Rios-Toledo, [Link]
G. and Posadas-Durán, J.P.F., 2022. Mapping of 3.
Land Cover with Optical Images, Supervised Singha, C. and Swain, K.C., 2023. Rice crop
Algorithms, and Google Earth Engine. Sensors, growth monitoring with sentinel 1 SAR data
22(13), pp.1–19. using machine learning models in google earth
[Link] engine cloud. Remote Sensing Applications:
Prabowo, R., Bambang, A.N. and Sudarno, Society and Environment, [online] 32(March
2020. Pertumbuhan Penduduk dan Alih Fungsi 2022), p.101029.
Lahan Pertanian. Mediagro, 16(2), pp.26–36. [Link]
Qi, N., Yang, H., Shao, G., Chen, R., Wu, B., Tariq, A., Jiango, Y., Li, Q., Gao, J., Lu, L.,
Xu, B., Feng, H., Yang, G. and Zhao, C., 2023. Soufan, W., Almutairi, K.F. and Habib-ur-
Mapping tea plantations using multitemporal Rahman, M., 2023. Modelling, mapping and
spectral features by harmonised Sentinel-2 and monitoring of forest cover changes, using
Landsat images in Yingde, China. Computers support vector machine, kernel logistic
and Electronics in Agriculture, 212(July). regression and naive bayes tree models with
[Link] optical remote sensing data. Heliyon, [online]
Rakuasa, H., 2022. Analisis Spasial - Temporal 9(2), p.e13212.
Perubahan Tutupan Lahan di Kabupaten Maluku [Link]
Barat Daya. GEOGRAPHIA : Jurnal Pendidikan Venkatappa, M., Sasaki, N., Han, P. and Abe, I.,
dan Penelitian Geografi, 3(2), pp.115–122. 2021. Impacts of droughts and floods on
[Link] croplands and crop production in Southeast Asia
Ramdani, D.F., 2017. Pengantar – An application of Google Earth Engine.
Geoinformatika. Malang: UB Press. Science of the Total Environment, [online] 795,
Ramdani, D.F., 2021a. GEOINTELLIGENCE- p.148829.
KECERDASAN BERBASIS RUANG. In: [Link]
GEOINTELLIGENCE-KECERDASAN .

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 14

Wang, J., Bretz, M., Dewan, M.A.A. and

Delavar, M.A., 2022. Machine learning in
modelling land-use and land cover-change
(LULCC): Current status, challenges and
prospects. Science of the Total Environment,
[online] 822, p.153559.
[Link]
.
Wang, Y., Sun, Y., Cao, X., Wang, Y., Zhang,
W. and Cheng, X., 2023. A review of regional
and Global scale Land Use/Land Cover (LULC)
mapping products generated from satellite
remote sensing. ISPRS Journal of
Photogrammetry and Remote Sensing, [online]
206(March), pp.311–334.
[Link]
Zafar, Z., Zubair, M., Zha, Y., Fahd, S. and
Ahmad Nadeem, A., 2024. Performance
assessment of machine learning algorithms for
mapping of land use/land cover using remote
sensing data. Egyptian Journal of Remote
Sensing and Space Science, [online] 27(2),
pp.216–226.
[Link]
Zhang, C., Zhang, H. and Tian, S., 2023.
Phenology-assisted supervised paddy rice
mapping with the Landsat imagery on Google
Earth Engine: Experiments in Heilongjiang
Province of China from 1990 to 2020.
Computers and Electronics in Agriculture,
[online] 212(June), p.108105.
[Link]
Zhao, Y., An, R., Xiong, N., Ou, D. and Jiang,
C., 2021. Spatio‐temporal land‐use/land‐cover
change dynamics in coastal plains in hangzhou
bay area, china from 2009 to 2020 using google
earth engine. Land, 10(11).
[Link]
Zhu, Q., Guo, X., Deng, W., Guan, Q., Zhong,
Y., Zhang, L. and Li, D., 2022. Land-Use/Land-
Cover change detection based on a Siamese
global learning framework for high spatial
resolution remote sensing imagery. ISPRS
Journal of Photogrammetry and Remote
Sensing, [online] 184(June 2021), pp.63–78.
[Link]
Zurqani, H.A., Post, C.J., Mikhailova, E.A.,
Schlautman, M.A. and 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, [online]
69(September 2017), pp.175–185.
[Link]

Fakultas Ilmu Komputer, Universitas Brawijaya