DETEKSI PERUBAHAN TUTUPAN LAHAN BERBASIS CITRA SATELIT MULTITEMPORAL MENGGUNAKAN ALGORITMA RANDOM FOREST (Studi Kasus: Kota Surakarta)

Penelitian ini berjudul "Deteksi Perubahan Tutupan Lahan Berbasis Citra Satelit Multitemporal Menggunakan Algoritma Random Forest (Studi Kasus: Kota Surakarta)", bertujuan untuk membangun dan mengoptimalkan model klasifikasi tutupan lahan serta merancang prototype dashboard WebGIS interaktif sebagai instrumen pemantauan alih fungsi lahan. Batasan penelitian ini mencakup pemrosesan citra satelit Sentinel-2 multitemporal periode tahun 2021 dan 2025 yang dibatasi secara spesifik pada wilayah administratif Kota Surakarta, dengan empat kelas tutupan lahan: lahan kosong, lahan terbangun, vegetasi, dan badan air. Metode analisis yang digunakan merupakan pendekatan campuran (mixed methods), yang menggabungkan kalkulasi algoritma Random Forest dengan pengujian Confusion Matrix untuk metrik keandalan matematis, serta metode Rapid Application Development (RAD) untuk pengembangan rekayasa perangkat lunak WebGIS. Hasil implementasi model machine learning yang dieksekusi secara luring berhasil mendemonstrasikan ketangguhan algoritma Random Forest dalam mengenali karakteristik unik dari tiap jenis tutupan lahan berdasarkan fitur lima parameter indeks spektral. Hasil evaluasi Confusion Matrix menunjukkan performa klasifikasi mencapai tingkat akurasi sebesar 88,89%, yang menegaskan kelayakan algoritma dalam memproduksi referensi tata ruang. Sejalan dengan itu, dashboard WebGIS yang dirancang secara terpisah berhasil dikembangkan dan divalidasi fungsionalitasnya melalui Black Box Testing serta User Acceptance Testing (UAT), memastikan sistem dapat menyajikan perbandingan analisis multi-year secara interaktif tanpa kendala performa server. Kesimpulan penelitian ini menegaskan bahwa penggunaan algoritma Random Forest secara luring terbukti efektif dalam memetakan perubahan tutupan lahan di wilayah urban yang padat dengan akurasi tinggi. Selain itu, pemisahan arsitektur antara proses komputasi analitik dan peluncuran prototype WebGIS melalui tautan domain publik terbukti menjadi solusi instrumen tata ruang alternatif yang lebih efisien, transparan, dan mampu mengurangi ketergantungan pemerintah pada metode survei terestrial konvensional.

Kata kunci: Machine Learning, Random Forest, Sentinel-2, Tutupan Lahan, WebGIS.