Identifikasi perubahan luas lahan Gambut terhadap perkembangan perumahan di Kabupaten Banjar menggunakan Remote Sensing dan Machine Learning

INDONESIA

Penurunan luas lahan gambut dan konversinya menjadi pemukiman merupakan masalah lingkungan global yang berdampak signifikan terhadap ekosistem dan perubahan iklim, khususnya di Kabupaten Banjar. Perubahan luas lahan gambut yang terjadi di wilayah ini menuntut perhatian lebih dalam upaya pengelolaan lahan. Penelitian ini bertujuan untuk mengidentifikasi perubahan luas lahan gambut di Kabupaten Banjar dengan menggunakan remote sensing dengan indeks NDVI dan machine learning, khususnya melalui metode klasifikasi lahan menggunakan Random Forest (RF), Support Vector Machine (SVM), dan K-Nearest Neighbor (KNN). Pendekatan ini diharapkan dapat memberikan gambaran yang lebih jelas mengenai perubahan tutupan lahan gambut yang terjadi di wilayah tersebut. Dalam penelitian ini, ketiga metode tersebut diuji dan dibandingkan kinerjanya berdasarkan dua metrik utama: Overall Accuracy (OA) dan Koefisien Kappa Cohen (Kappa) dengan split data 70:30. Hasil penelitian menunjukkan bahwa setiap metode memiliki keunggulan dan kekurangannya masing-masing. Model Random Forest dengan 700 pohon memberikan performa terbaik dengan akurasi keseluruhan (OA) mencapai 91% dan Kappa Accuracy sebesar 88%. Model SVM dengan kernel Polynomial mencapai akurasi 95,45% dan Kappa Accuracy 94%, meskipun kesulitan dalam membedakan kelas gambut dan vegetasi. Sementara itu, KNN menunjukkan hasil yang lebih rendah dengan akurasi 86,36% dan Kappa Accuracy 81,71%. Berdasarkan hasil perbandingan kinerja ini, model SVM terbukti lebih efektif dalam mengidentifikasi perubahan luas lahan gambut di Kabupaten Banjar. Penelitian ini juga menunjukkan perlunya optimasi lebih lanjut dalam pemilihan hyperparameter dan penyesuaian parameter model untuk meningkatkan akurasi klasifikasi pada kelas yang sulit dibedakan. Dalam kurun waktu kurang lebih 3 tahun (2023-2025) lahan gambut mengalami penurunan 34.542,75 ha (7,53%), badan air bertambah seluas 2.197,06 ha (0,48%), pemukiman bertambah 1.588,23 ha (0,35%), dan lahan bervegetasi bertambah 30.757,5 ha (6,71%). Penurunan lahan gambut teridentifikasi berlaih fungsi menjadi pemukiman dan badan air. Alih fungsi lahan gambut terutama terjadi di dekat pusat kota dan daerah komersial.

ENGLISH

The decrease in peatland area and its conversion into settlements is a global environmental issue that significantly impacts ecosystems and climate change, particularly in Banjar Regency. The changes in a peatland area in this region require more attention in land management efforts. This study aims to identify the changes in peatland area in Banjar Regency using remote sensing with the NDVI index and machine learning, specifically through land classification methods using Random Forest (RF), Support Vector Machine (SVM), and K-Nearest Neighbor (KNN). This approach is expected to provide a clearer picture of the changes in peatland cover in the area. In this study, the three methods were tested and compared based on two main metrics: Overall Accuracy (OA) and Cohen's Kappa Coefficient (Kappa), with a 70:30 data split. The results showed that each method has its strengths and weaknesses. The Random Forest model with 700 trees provided the best performance, with an overall accuracy (OA) of 91% and a Kappa Accuracy of 88%. The SVM model with a Polynomial kernel achieved an accuracy of 95.45% and a Kappa Accuracy of 94%, although it struggled to distinguish between peatland and vegetation classes. Meanwhile, KNN showed lower results with an accuracy of 86.36% and a Kappa Accuracy of 81.71%. Based on this performance comparison, the SVM model proved to be more effective in identifying changes in a peatland area in Banjar Regency. This study also highlighted the need for further optimization in hyperparameter selection and model parameter adjustments to improve classification accuracy for hard-to-differentiate classes. Over a period of approximately 3 years (2023-2025), a peatland area decreased by 34,542.75 ha (7.53%), water bodies increased by 2,197.06 ha (0.48%), settlements increased by 1,588.23 ha (0.35%), and vegetated land increased by 30,757.5 ha (6.71%). The decrease in peatland was identified as being converted into settlements and water bodies. The conversion of peatland mainly occurred near city centers and commercial areas.

ARABIC

يعد انخفاض مساحة أراضي الخث وتحويلها إلى مستوطنات مشكلة بيئية عالمية لها تأثير كبير على النظم البيئية وتغير المناخ ، خاصة في بانجار ريجنسي. يتطلب التغيير في مساحة أراضي الخث الذي حدث في هذه المنطقة مزيدا من الاهتمام في جهود إدارة الأراضي. تهدف هذه الدراسة إلى تحديد التغيرات في مساحة أراضي الخث في بانجار ريجنسي باستخدام الاستشعار عن بعد مع مؤشر NDVI والتعلم الآلي ، خاصة من خلال طرق تصنيف الأراضي باستخدام الغابة العشوائية (RF) ، وآلة ناقلات الدعم (SVM) ، و K-Nearest Neighbor (KNN). من المتوقع أن يوفر هذا النهج صورة أوضح للتغيرات في غطاء أراضي الخث التي تحدث في المنطقة. في هذه الدراسة ، تم اختبار الطرق الثلاث ومقارنتها لأدائها بناء على مقياسين رئيسيين: الدقة الإجمالية (OA) ومعامل كابا (Kappa) مع تقسيم البيانات بنسبة 70:30. تظهر نتائج الدراسة أن كل طريقة لها مزاياها وعيوبها. يوفر نموذج الغابة العشوائية مع 700 شجرة أفضل أداء بدقة إجمالية (OA) تبلغ 91٪ ودقة كابا تبلغ 88٪. حققت نماذج SVM ذات النواة متعددة الحدود دقة 95.45٪ ودقة كابا بنسبة 94٪ ، على الرغم من الصعوبات في التمييز بين فئات الخث والغطاء النباتي. وفي الوقت نفسه ، أظهرت KNN نتائج أقل بدقة 86.36٪ ودقة كابا 81.71٪. بناء على نتائج مقارنة الأداء هذه ، أثبت نموذج SVM أنه أكثر فعالية في تحديد التغيرات في مساحة أراضي الخث في مق طعة با نجا ر. تظهر هذه الدراسة أيضا الحاجة إلى مزيد من التحسين في اختيار المعلمات الفائقة وتعديل معلمات النموذج لتحسين دقة التصنيف في الفئات التي يصعب تمييزها. في فترة 3 سنوات تقريبا (2023-2025) ، انخفضت أراضي الخث بمقدار 34,542.75 هكتارا (7.53٪) ، وزادت المسطحات المائية بمقدار 2,197.06 هكتار (0.48٪) ، وزادت المستوطنات بمقدار 1,588.23 هكتارا (0.35٪) ، وزادت الأراضي النباتية بمقدار 30,757.5 هكتارا (6.71٪). تم تحديد تدهور أراضي الخث على أنه له وظيفة المستوطنات والمسطحات المائية. يحدث تحويل أراضي الخث بشكل رئيسي بالقرب من المراكز الحضرية والمناطق التجارية.