Analisis Perubahan Luas dan Arah Ekspansi Perkebunan Kelapa Sawit Menggunakan Citra Landsat Berbasis Google Earth Engine (Studi Kasus : Sumatera Utara)

Mawritsa Etufirka; Soni Darmawan

Authors

Mawritsa Etufirka Institut Teknologi Nasional Bandung Author
Soni Darmawan Institut Teknologi Nasional Bandung Author

Keywords:

Google Earth Engine, Landsat, land cover change, oil palm plantation, random forest

Abstract

Perkembangan perkebunan kelapa sawit berpotensi menyebabkan perubahan tutupan lahan di Provinsi Sumatera Utara. Penelitian ini bertujuan untuk menganalisis perubahan tutupan lahan dan arah ekspansi perkebunan kelapa sawit selama periode 2000–2025 menggunakan citra Landsat yang diolah melalui Google Earth Engine (GEE). Klasifikasi tutupan lahan dilakukan menggunakan algoritma Random Forest, sedangkan evaluasi akurasi dilakukan menggunakan Confusion Matrix, Overall Accuracy (OA), Koefisien Kappa, dan F1-Score. Hasil penelitian menunjukkan bahwa luas perkebunan kelapa sawit meningkat dari 2,94 juta ha pada tahun 2000 menjadi 3,98 juta ha pada tahun 2025 atau bertambah sekitar 1,04 juta ha (35,37%). Analisis spasial menunjukkan bahwa perkembangan perkebunan kelapa sawit cenderung berlangsung dari wilayah bagian timur menuju wilayah bagian barat Provinsi Sumatera Utara. Hasil evaluasi akurasi menunjukkan nilai Overall Accuracy berkisar antara 78%–97%, Koefisien Kappa antara 0,72–0,96, dan F1-Score antara 0,68–1,00, yang menunjukkan bahwa hasil klasifikasi memiliki tingkat akurasi yang baik. Penelitian ini menunjukkan bahwa kombinasi citra Landsat, Google Earth Engine, dan algoritma Random Forest mampu menghasilkan klasifikasi yang andal sehingga efektif digunakan untuk memantau perubahan tutupan lahan dan arah ekspansi perkebunan kelapa sawit di Provinsi Sumatera Utara.

References

[1] Danylo, O., Pirker, J., Lemoine, G., Ceccherini, G., See, L., McCallum, I., Achard, F., dan Fritz, S. (2021). A Map of the Extent and Year of Detection of Oil Palm Plantations in Indonesia, Malaysia and Thailand. Scientific Data.

[2] Dharmawan, A. H., Mardiyaningsih, D. I., Komarudin, H., Ghazoul, J., Pacheco, P., dan Rahmadian, F. (2020). Dynamics of Rural Economy: A Socio-Economic Understanding of Oil Palm Expansion and Landscape Changes in East Kalimantan, Indonesia. Land.

[3] Feni, R., dan Marwan, E. (2023). Perkembangan Luas Areal dan Produksi Sawit serta Pengaruhnya terhadap PDRB Sub Sektor Perkebunan Provinsi Bengkulu. Jurnal Sosial Ekonomi Pertanian, 19(2), 139–152.

[4] Hasibuan, M. (2020). Determinan Produktivitas Kelapa Sawit di Provinsi Sumatera Utara. Jurnal Ekonomi, 22(1).

[5] Iskandar, B., Hanafi, N., dan Anshari, R. (2022). Kajian Pemantauan Perubahan Penutupan Lahan Berbasis Penginderaan Jauh di Kotawaringin Barat. Jurnal Belantara, 5(2), 210–218.

[6] Irsan, L. M., Hasanah, N., Musyawarah, R., Garusu, E. H., dan Aldiansyah, S. (2024). Analisis Transformasi Lahan Menggunakan Citra Satelit Landsat Multi Temporal. Jurnal Penelitian Pendidikan Geografi, 9(1), 34–43.

[7] Hermawan, R., Rusydi, A. N., dan Akbar, M. A. (2025). Analisis Geospasial Perubahan Penggunaan Lahan Sawah di Kota Malang Menggunakan Google Earth Engine. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 9(2).

[8] Putri, K. A., dan Handayani, H. H. (2024). Perbandingan Hasil Klasifikasi Tutupan Lahan Menggunakan Metode Artificial Neural Network (ANN), Support Vector Machine (SVM), dan Random Forest (RF) dengan Bahasa Pemrograman R. Journal of Geodesy and Geomatics (GEOID), 19(2), 349–360.

[9] Waladi, A. (2025). Peningkatan Akurasi Klasifikasi Tutupan Lahan Menggunakan Random Forest pada Data Sentinel-2 di Jambi. Jurnal Fasilkom, 15(1), 17–24.

[10] Zulfajri, Daneodoro, P., dan Murti, S. H. (2021). Klasifikasi Tutupan Lahan Data Landsat 8 OLI Menggunakan Metode Random Forest. Jurnal Penginderaan Jauh Indonesia, 3(1).

[11] Kumar, L., & Mutanga, O. (2018). Google Earth Engine Applications Since Inception: Usage, Trends, and Potential. Remote Sensing, 10(10), 1509.

[12] Yang, L., Driscol, J., Sarigai, S., Wu, Q., Chen, H., & Lippitt, C. D. (2022). Google Earth Engine and Artificial Intelligence (AI): A Comprehensive Review. Remote Sensing, 14(14), 3253.

[13] Mutanga, O., & Kumar, L. (2019). Google Earth Engine Applications. Remote Sensing, 11(5), 591.

[14] Young, N. E., Anderson, R. S., Chignell, S. M., Vorster, A. G., Lawrence, R., & Evangelista, P. H. (2017). A Survival Guide to Landsat Preprocessing. Ecology, 98(4), 920–932.

[15] Frantz, D., Röder, A., Stellmes, M., & Hill, J. (2016). An Operational Radiometric Landsat Preprocessing Framework for Large-Area Time Series Applications. IEEE Transactions on Geoscience and Remote Sensing.

[16] Flood, N. (2013). Seasonal Composite Landsat TM/ETM+ Images Using the Medoid (a Multi-Dimensional Median). Remote Sensing, 5(12), 6481–6500.

[17] Ernawati, A., Khairul, Sitorus, Z., Iqbal, M., & Nasution, D. (2025). Penerapan Data Mining Untuk Klasifikasi Penduduk Miskin di Kabupaten Labuhanbatu Menggunakan Random Forest dan K-Nearest Neighbors. Bulletin of Information Technology (BIT).

[18] Suryono, H., Marsuhandi, A. H., & Pramana, S. (2022). Klasifikasi Tutupan Lahan Berdasarkan Random Forest Algorithm Menggunakan Cloud Computing Platform. Jurnal Aplikasi Statistika & Komputasi Statistik