Perbandingan Kinerja Decision Tree dan Neural Network dalam Klasifikasi Penutup Lahan Berdasarkan Citra Satelit

Abstract

Perencanaan infrastruktur telekomunikasi seperti menara BTS membutuhkan identifikasi penutup lahan yang akurat, khususnya lahan terbuka yang ideal untuk pembangunan jaringan. Penelitian ini bertujuan membandingkan kinerja algoritma Decision Tree dan Neural Network dalam klasifikasi penutup lahan berbasis citra satelit. Data yang digunakan terdiri dari 120 sampel citra yang diklasifikasikan ke dalam empat jenis penutup lahan: hutan, lahan terbuka, permukiman, dan industri. Setiap sampel diekstraksi menjadi lima fitur statistik, yaitu rata-rata warna (R, G, B), entropy, dan contrast. Model dilatih dan diuji menggunakan metode 10-fold cross validation. Hasil menunjukkan bahwa Decision Tree memperoleh akurasi sebesar 83,33%, sementara Neural Network memberikan hasil lebih tinggi yaitu 94,44%. Kinerja Neural Network juga lebih unggul dalam mengenali kelas lahan terbuka, menjadikannya lebih sesuai untuk mendukung penentuan lokasi infrastruktur telekomunikasi. Penelitian ini menunjukkan bahwa metode machine learning dapat digunakan secara efektif dalam klasifikasi penutup lahan berbasis citra untuk mendukung pengambilan keputusan spasial.