Article Information
Issue Vol 19 No 2 (2026): Jurnal Agritechno
Published 2026-10-31
Pages 39-49
DOI 10.70124/at.v19i2.2376
Abstract Views 20
PDF Downloads 6
Full Text ⬇ PDF
Hak Cipta (c) 2026 Ihzan Rizali, Reza Asra, Suhaimi, Nining Triani Thamrin, Husnul Mubarak
Keywords
Lahan Sawah, Landsat 8, Sentinel-2A, GEE, Random Forest
Vol 19 No 2 (2026): Jurnal Agritechno

Analisis Perubahan Luas Lahan Sawah Menggunakan Algoritma Random Forest Berbasis Google Earth Engine Di Kabupaten Sidenreng Rappang

Authors
I
Ihzan Rizali
UNIVERSITAS MUHAMMADIYAH SIDENRENG RAPPANG, Indonesia
R
Reza Asra
Indonesia
S
Suhaimi
Indonesia
N
Nining Triani Thamrin
Indonesia
H
Husnul Mubarak
Indonesia
Abstract

Indonesia merupakan negara berkembang dengan sektor pertanian sebagai mata pencaharian utama penduduknya, salah satunya di Kabupaten Sidenreng Rappang (Sidrap), Provinsi Sulawesi Selatan. Penelitian ini menyoroti pentingnya pemantauan penutupan lahan, khususnya sawah, guna perencanaan dan pengelolaan lahan baku. Penelitian ini bertujuan untuk menganalisis perubahan tutupan lahan sawah dan non-sawah di Kabupaten Sidrap menggunakan citra Landsat 8 (tahun 2015) dan Sentinel-2A (tahun 2020 dan 2025) dengan memanfaatkan platform Google Earth Engine (GEE) melalui algoritma Random Forest. Metode penginderaan jauh diterapkan untuk mengatasi keterbatasan survei konvensional yang membutuhkan banyak sumber daya dan waktu. Hasil analisis menunjukkan nilai Overall Accuracy sebesar 88,14%, 91,83%, dan 94,36%, serta nilai Koefisien Kappa sebesar 0,751, 0,829, dan 0,891 masing-masing pada tahun 2015, 2020, dan 2025. Berdasarkan hasil klasifikasi tutupan lahan, luas lahan sawah di Kabupaten Sidenreng Rappang mengalami tren peningkatan, yaitu dari 48.742,68 ha pada tahun 2015, menjadi 49.318,54 ha pada tahun 2020, dan mencapai 50.127,83 ha pada tahun 2025.

Download Statistics
How to Cite
Analisis Perubahan Luas Lahan Sawah Menggunakan Algoritma Random Forest Berbasis Google Earth Engine Di Kabupaten Sidenreng Rappang. (2026). Jurnal Agritechno, 19(2), 39-49. https://doi.org/10.70124/at.v19i2.2376
References
Ambarwari, A., Husni, E. M., & Mahayana, D. (2023). Perkembangan Paradigma Metode Klasifikasi Citra Penginderaan Jauh dalam Perspektif Revolusi Sains Thomas Kuhn. Jurnal Filsafat Indonesia, 6(3), 465–473. https://doi.org/10.23887/jfi.v6i3.53865
Asra, R., Nurnawati, A. A., Irwan, M., & Mappiasse, M. F. (2021). Analisis perubahan lahan sawah berbasis sistem informasi geografis di wilayah perkotaan Pangkajene Kabupaten Sidenreng Rappang. Galung Tropika, 9(3), 286-297.
Awaliyan, R., & Sulistyoadi, Y. B. (2018). Klasifikasi Penutupan Lahan Pada Citra Satelit Sentinel-2a Dengan Metode Tree Algorithm. Ulin: Jurnal Hutan Tropis, 2(2), 98–104. https://doi.org/10.32522/ujht.v2i2.1363
Fathoni, M. N., Chulafak, G. A., & Kushardono, D. (2017). Kajian Awal Pemanfaatan Data Radar Sentinel-1 untuk Pemetaan Lahan Baku Sawah di Kabupaten Indramayu Jawa Barat Preliminary Study of Sentinel-1 Radar Data Application for Paddy Field Mapping in Indramayu-West Java. Jurnal Penginderaan Jauh, October, 179–186.
Foody, G. M. (2002). Status of land cover classification accuracy assessment. Remote Sensing of Environment, 80(1), 185–201.
Belgiu, M., & Drăguț, L. (2016). Random Forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24–31.
Hardianto, A., Dewi, P. U., Feriansyah, T., Sari, N. F. S., & Rifiana, N. S. (2021). Pemanfaatan Citra Landsat 8 Dalam Mengidentifikasi Nilai Indeks Kerapatan Vegetasi (NDVI) Tahun 2013 dan 2019 (Area Studi: Kota Bandar Lampung). Jurnal Geosains Dan Remote Sensing, 2(1), 8-15.
Jusnawati, Arifin, & Pata, A. A. (2020). Kontribusi Produksi Padi Sawah Daerah Sentra SIPILU (Sidrap, Pinrang, Luwu ) Terhadap Produksi Padi Sawah di Sulawesi Selatan. Jurnal Agribisnis, 8(2), 46–55. http://ejournals.umma.ac.id/index.php/agribis/article/view/786
Kamal, M., Farda, N. M., Jamaluddin, I., Parela, A., Wikantika, K., Prasetyo, L. B., & Irawan, B. (2020). A preliminary study on machine learning and google earth engine for mangrove mapping. IOP Conference Series: Earth and Environmental Science (Vol. 500, No. 1, p. 012038). IOP Publishing
Muhammad, A. M. (2015). Pemetaan dan Identifikasi Jenis Tutupan Lahan Dengan Metode Maximum Likelihood. Jurnal Penginderaan Jauh dan Pengolahan Data Citra Digital, 12(1), 15–25.
Rahmawati, S. D., & Apriyanti, D. (2023). Klasifikasi Area Vegetasi dan Non Vegetasi pada Citra Sentinel-2 Menggunakan Metode EVI dengan Google Earth Engine (Studi Kasus: Kabupaten Klaten). Jurnal Ilmiah Geomatika, 3(1), 1–13.
Septiani, R., Citra, I. P. A., & Nugraha, A. S. A. (2019). Perbandingan Metode Supervised Classification dan Unsupervised Classification terhadap Penutup Lahan di Kabupaten Buleleng. Jurnal Geografi: Media Informasi Pengembangan Dan Profesi Kegeografian, 16(2), 90–96. Jurnal Geografi : Media Informasi Pengembangan Dan Profesi Kegeografian, 16(2), 90–96. https://doi.org/10.15294/jg.v16i2.19777
Sukoco, B., & Bashit, N. (2022). Kajian Pemanfaatan Teknologi Google Earth Engine Untuk Bidang Penginderaan Jauh. Jurnal Penelitian Geografi, 10(2), 112–123.
Tamiminia, H., Salehi, B., Mahdianpari, M., Quackenbush, L., Adeli, S., & Brisco, B. (2020). Google Earth Engine for geo-big data applications: A meta-analysis and systematic review. ISPRS Journal of Photogrammetry and Remote Sensing, 164(May), 152–170. https://doi.org/10.1016/j.isprsjprs.2020.04.001
USGS. (2019). Landsat 8 (L8) Data User Handbook. South Dakota: U.S. Geological Survey.

Artikel paling banyak dibaca berdasarkan penulis yang sama