1. Pendahuluan: Mengapa Estimasi Luas Lahan Membutuhkan Teknologi?

Informasi mengenai luas dan distribusi tutupan lahan merupakan salah satu informasi penting dalam perencanaan pembangunan, khususnya pada sektor pertanian dan agraria. Informasi tersebut dapat digunakan untuk mengetahui luas tanaman tertentu, memantau perubahan penggunaan lahan, menyusun perencanaan produksi, maupun mendukung pengambilan keputusan berbasis wilayah.

Secara tradisional, pengukuran luas lahan dapat dilakukan melalui survei terestrial atau pemetaan langsung di lapangan. Metode tersebut memiliki kelebihan karena memungkinkan pengamatan kondisi aktual secara langsung. Namun, ketika wilayah yang harus dipetakan sangat luas, metode survei lapangan dapat membutuhkan waktu, tenaga, dan biaya yang besar.

Permasalahan lainnya adalah adanya keterbatasan aksesibilitas. Wilayah yang terisolasi, memiliki topografi bergelombang, atau sulit dijangkau dapat menyulitkan tim pemetaan. Selain itu, batas fisik suatu lahan tidak selalu mudah diverifikasi secara akurat di lapangan. Perbedaan interpretasi antarpetugas juga dapat menghasilkan subjektivitas dalam penentuan batas lahan.

Teknologi penginderaan jauh memberikan pendekatan yang berbeda. Citra satelit memungkinkan pengamatan wilayah yang luas secara relatif cepat dan sistematis. Dalam konteks ini, citra multispektral Sentinel-2 menyediakan informasi reflektansi pada berbagai panjang gelombang yang dapat digunakan untuk membedakan karakteristik objek di permukaan bumi.

Ketika informasi spektral tersebut dikombinasikan dengan algoritma Machine Learning, proses klasifikasi tutupan lahan dapat dilakukan secara matematis berdasarkan sampel yang diberikan kepada model. Pendekatan inilah yang menjadi dasar pengembangan aplikasi Land Area Estimator (LAE).

2. Mengenal Land Area Estimator (LAE)

Land Area Estimator (LAE) merupakan aplikasi desktop berbasis Python dengan antarmuka grafis CustomTkinter yang dirancang untuk mengestimasi luasan lahan pertanian maupun tutupan lahan. Sistem bekerja dengan mengekstraksi nilai komposit spektral dari setiap piksel citra Sentinel-2 beresolusi 10 meter, kemudian mengelompokkan piksel tersebut berdasarkan algoritma Machine Learning terawasi.

Dengan pendekatan tersebut, LAE tidak hanya menghasilkan visualisasi berupa peta, tetapi juga melakukan kuantifikasi luas berdasarkan jumlah piksel yang telah diklasifikasikan. Dengan demikian, keluaran analisis dapat digunakan untuk memperoleh informasi dalam satuan meter persegi maupun hektar.

2.1 Otomasi Metodologi

Salah satu karakteristik utama LAE adalah integrasi beberapa tahapan penginderaan jauh ke dalam satu alur kerja. Proses yang biasanya dilakukan menggunakan beberapa perangkat lunak dapat diintegrasikan mulai dari akuisisi data, penyiapan sampel, pelatihan model, klasifikasi, perhitungan luasan, sampai penyusunan laporan kuantitatif.

2.2 Presisi dan Objektivitas

LAE melakukan kalkulasi berdasarkan nilai reflektansi spektral pada tingkat piksel. Dengan demikian, proses klasifikasi tidak semata-mata bergantung pada interpretasi visual manusia, tetapi menggunakan pola numerik yang dipelajari oleh algoritma berdasarkan sampel pelatihan.

2.3 Independensi dan Keamanan

Proses komputasi utama LAE dirancang berjalan secara lokal pada komputer pengguna. Artinya, setelah data citra tersedia, sebagian besar tahapan analisis dapat dilakukan tanpa ketergantungan pada layanan komputasi awan berbayar. Koneksi internet terutama diperlukan ketika pengguna memilih proses pengunduhan citra secara otomatis.

3. Contoh Penerapan LAE

Penggunaan LAE dapat dikembangkan untuk berbagai kebutuhan yang berkaitan dengan pertanian, agraria, pemantauan perubahan penggunaan lahan, serta penyediaan informasi spasial untuk mendukung kebijakan.

3.1 Sektor Pertanian dan Agraria

Dalam sektor pertanian, LAE dapat digunakan untuk melakukan estimasi luas tanam komoditas tertentu. Contohnya adalah pemetaan dan penghitungan luas bawang merah, padi, jagung, tegalan, atau kategori tutupan lahan lain yang ditentukan oleh peneliti.

Informasi luas tersebut selanjutnya dapat menjadi basis kuantitatif dalam perencanaan produksi, termasuk perencanaan kebutuhan bibit dan pupuk bersubsidi.

3.2 Pemantauan Alih Fungsi Lahan

Penginderaan jauh juga dapat digunakan untuk mengidentifikasi perubahan spasial. Dengan membandingkan hasil klasifikasi dari waktu yang berbeda, peneliti dapat mengamati indikasi perubahan kawasan pertanian menjadi kawasan terbangun atau permukiman.

Hasil tersebut juga dapat digunakan untuk membandingkan kondisi tutupan lahan aktual dengan rencana tata ruang wilayah.

3.3 Dukungan Kebijakan Publik

Informasi spasial hasil klasifikasi dapat menjadi bahan pendukung bagi instansi yang membutuhkan informasi mengenai luas dan distribusi tutupan lahan. Contohnya adalah Dinas Pertanian serta instansi yang berkaitan dengan pertanahan dan tata ruang.

Dalam kondisi bencana, pendekatan serupa juga dapat digunakan untuk menghitung luasan lahan yang terdampak banjir, kekeringan, atau erupsi berdasarkan citra satelit yang tersedia.

4. Workflow Land Area Estimator

LAE dirancang sebagai sebuah end-to-end workflow. Pengguna tidak langsung memperoleh luas lahan, tetapi harus melalui sejumlah tahapan yang saling berhubungan. Kesalahan pada tahap awal, terutama dalam penentuan AOI atau sampel, dapat memengaruhi hasil pada tahap berikutnya.

Workflow tersebut menunjukkan bahwa LAE bukan sekadar alat untuk menghitung luas, tetapi sebuah rangkaian pemrosesan data spasial. Tahapan tersebut dimulai dari penentuan kelas dan wilayah kajian, dilanjutkan dengan penyediaan citra dan sampel, kemudian pelatihan dan klasifikasi, hingga menghasilkan estimasi luas serta laporan.

Catatan metodologis: koneksi internet hanya diperlukan ketika pengguna melakukan pengunduhan citra secara otomatis pada tahap Satellite Data. Tahapan lainnya dapat dijalankan secara lokal.

5. Pilihan Algoritma Machine Learning

Dalam klasifikasi penginderaan jauh, pemilihan algoritma Machine Learning tidak dapat dilakukan dengan menganggap bahwa satu algoritma selalu memberikan hasil terbaik untuk seluruh kondisi. Karakteristik lanskap, jumlah dan distribusi sampel, serta fitur spektral yang digunakan dapat memengaruhi performa model.

Karena itu, pemilihan algoritma sebaiknya dilakukan melalui pendekatan komparatif dan evaluasi berbasis data. Materi LAE menekankan bahwa tidak terdapat satu algoritma yang secara universal selalu superior.

5.1 Random Forest

Random Forest (RF) merupakan metode ensemble berbasis sejumlah decision tree. Algoritma ini relatif tahan terhadap noise dan dapat digunakan pada data dengan dimensi yang tinggi. Namun, pada lanskap yang sangat homogen dapat terjadi kondisi saturation yang membatasi peningkatan performanya.

5.2 Support Vector Machine

Support Vector Machine (SVM) menggunakan konsep pemisahan kelas melalui hyperplane. Algoritma ini dapat bekerja efektif ketika jumlah sampel relatif terbatas dan dapat menangani pemisahan kelas yang bersifat non-linear melalui penggunaan kernel.

5.3 K-Nearest Neighbors

K-Nearest Neighbors (K-NN) merupakan distance-based classifier. Prinsipnya sederhana, yaitu menentukan kelas berdasarkan kedekatan karakteristik suatu data dengan data sampel yang tersedia. Metode ini sederhana dan relatif cepat secara komputasi, tetapi sensitif terhadap noise piksel dan persebaran sampel yang tidak merata.

5.4 Neural Network / Boosting

Neural Network (MLP) maupun pendekatan Boosting dapat mengenali pola non-linear yang kompleks antarband spektral. Kemampuan tersebut dapat menjadi penting ketika hubungan antara kelas tutupan lahan dan karakteristik spektralnya tidak sederhana. Namun, model seperti ini membutuhkan pengaturan hyperparameter yang cermat.

6. Tahap 1 — Class Setup

Tahap pertama adalah menentukan kategori tutupan lahan yang akan digunakan dalam penelitian. LAE memberikan fleksibilitas untuk menggunakan kelas default maupun membuat kelas khusus sesuai kebutuhan penelitian.

Peneliti dapat menentukan nama kelas, warna yang digunakan pada representasi peta, serta simbol untuk penanda titik sampel. Fleksibilitas ini memungkinkan penelitian membedakan kategori yang lebih spesifik, misalnya varietas tanaman, tingkat kerataan tanah, maupun tingkat kerapatan vegetasi.

7. Tahap 2 — Load Area of Interest (AOI)

Area of Interest atau AOI merupakan wilayah geografis yang menjadi batas penelitian. Penetapan AOI penting karena seluruh proses analisis selanjutnya dilakukan dengan mengacu pada wilayah tersebut.

AOI berfungsi sebagai pagar geografis sehingga piksel di luar wilayah penelitian tidak ikut diproses. Selain menghindari analisis di luar wilayah yang ditentukan, pembatasan tersebut juga membantu menghemat penggunaan RAM dan waktu komputasi. AOI sekaligus memberikan batas yang jelas ketika luas wilayah dihitung.

LAE mendukung beberapa format data spasial, termasuk Shapefile (.shp) dan GeoJSON. Data dapat berasal dari hasil digitasi atau survei lapangan, peta standar nasional, maupun poligon yang dibuat melalui Google Earth dan kemudian diekspor sebagai data spasial.

8. Tahap 3 — Satellite Data Acquisition

Setelah wilayah penelitian ditentukan, LAE membutuhkan citra satelit yang akan digunakan dalam proses klasifikasi. Materi menyediakan dua pendekatan utama, yaitu pengunduhan otomatis melalui layanan STAC dan penggunaan file citra lokal.

8.1 Opsi A — Unduh Otomatis

Pada pendekatan ini, sistem terhubung ke katalog STAC untuk memperoleh arsip Sentinel-2 L2A. Pengguna menentukan rentang tanggal akuisisi, kemudian sistem melakukan penyaringan berdasarkan tutupan awan dan memilih data yang memiliki cakupan sesuai terhadap AOI. Materi juga menjelaskan mekanisme komposit median ketika tersedia beberapa scene dalam rentang tanggal yang ditentukan.

8.2 Opsi B — File Citra Lokal

LAE juga mendukung citra dalam format GeoTIFF. Pendekatan ini dapat digunakan apabila pengguna telah memiliki data citra yang diperoleh melalui proses pengunduhan terpisah, termasuk data dari sensor lain seperti Landsat, SPOT, maupun drone.

Citra lokal dapat dipotong secara otomatis berdasarkan AOI. Sistem juga melakukan validasi koordinat sehingga Sistem Referensi Spasial (Coordinate Reference System/CRS) citra dapat disesuaikan dengan wilayah kajian. Pendekatan lokal menjadi penting ketika koneksi internet tidak memadai atau penelitian menggunakan data historis tertentu.

9. Tahap 4 — Training Points

Setelah citra tersedia, tahap berikutnya adalah mengumpulkan titik sampel. Titik sampel berfungsi sebagai informasi referensi bagi algoritma Machine Learning untuk mengetahui hubungan antara karakteristik spektral dengan kelas tutupan lahan.

LAE menyediakan antarmuka Point Collector yang memungkinkan pengguna mengambil titik secara interaktif pada citra komposit RGB. Selain itu, titik sampel dapat berasal dari survei GPS lapangan atau peta sekunder yang kemudian diimpor dalam format GeoJSON.

9.1 Prinsip Sampling

Materi menyebutkan jumlah minimum sekitar 20–30 titik untuk setiap kelas, sedangkan jumlah ideal berada pada kisaran 50–100 titik agar model lebih robust. Selain jumlah, distribusi spasial juga penting. Titik sebaiknya tersebar di seluruh AOI sehingga variasi spektral wilayah dapat terwakili.

Aspek temporal juga perlu diperhatikan. Kondisi lahan yang menjadi sampel harus mencerminkan kondisi pada tanggal akuisisi citra. Peneliti juga perlu menghindari pengambilan sampel pada batas transisi antarkelas karena satu piksel dapat mengandung campuran beberapa objek. Kondisi tersebut dikenal sebagai mixed pixel atau mixel.

10. Tahap 5 — Train Model

Pada tahap pelatihan, LAE membaca nilai reflektansi spektral pada lokasi titik sampel. Nilai tersebut kemudian disusun menjadi vektor fitur yang digunakan oleh algoritma Machine Learning.

Model selanjutnya mempelajari hubungan statistik antara karakteristik spektral dengan label kelas. Pengguna dapat memilih algoritma yang akan digunakan sesuai dengan skenario penelitian.

10.1 Evaluasi Awal Model

Training Accuracy menunjukkan seberapa baik model mempelajari data yang digunakan dalam proses pelatihan. Sementara itu, Validation Accuracy digunakan untuk melihat kemampuan model dalam melakukan generalisasi terhadap data yang tidak digunakan secara langsung untuk melatih model.

Jika akurasi validasi rendah, proses penelitian tidak seharusnya langsung dilanjutkan ke klasifikasi penuh. Peneliti dapat mengevaluasi kembali kualitas sampel, menambah titik sampel, atau mencoba algoritma lain.

11. Tahap 6 — Classify Area

Setelah model dilatih, model diterapkan pada seluruh piksel yang berada di dalam AOI. Setiap piksel memiliki vektor nilai spektral, kemudian model memberikan prediksi kelas berdasarkan pola yang telah dipelajari dari data training.

Proses ini mengubah citra multispektral menjadi peta tematik tutupan lahan. Setiap piksel diberi label kelas dan warna representatif sehingga distribusi spasial kelas dapat diamati.

11.1 Smart Masking

LAE menggunakan mekanisme smart masking untuk menangani wilayah di luar AOI. Piksel di luar batas penelitian dialokasikan nilai 0 sehingga tidak ikut menjadi bagian dari hasil klasifikasi. Mekanisme ini juga membantu menghasilkan peta tematik yang terisolasi dan terpotong sesuai batas AOI.

12. Tahap 7 — Calculate Area

Setelah seluruh piksel di dalam AOI memperoleh kelas, LAE menghitung jumlah piksel pada masing-masing kategori. Karena resolusi spasial yang digunakan adalah 10 meter × 10 meter, satu piksel merepresentasikan luas 100 m² atau 0,01 hektar.

Dengan demikian, luas suatu kelas dapat diperoleh melalui perkalian jumlah piksel kelas tersebut dengan luas satu piksel. Konsep ini menjadikan klasifikasi spasial tidak hanya menghasilkan peta visual, tetapi juga informasi kuantitatif mengenai luasan masing-masing kelas.

13. Tahap 8 — Generate Report

Hasil analisis kemudian dapat disusun menjadi laporan. Materi LAE membagi komponen laporan menjadi beberapa bagian, yaitu Executive Summary, Methodology & Metadata, Results & Analysis, serta Recommendations.

Executive Summary berisi ringkasan hasil estimasi luas. Bagian Methodology & Metadata memuat informasi mengenai citra, tanggal akuisisi, dan parameter algoritma Machine Learning. Bagian Results & Analysis menyajikan distribusi luas, metrik akurasi, dan grafik. Sementara itu, bagian Recommendations dapat berisi catatan mengenai kebutuhan validasi lapangan maupun perbaikan model.

LAE menyediakan keluaran dalam format teks (.txt) dan HTML (.html). Format HTML dapat digunakan sebagai dokumen laporan interaktif yang dibuka melalui peramban. Penamaan file juga dapat menggunakan timestamp sehingga hasil analisis memiliki identitas waktu yang mendukung reproduktibilitas.

14. Membaca Output LAE: Distribusi Luas

Salah satu keluaran LAE adalah tabel distribusi luas tutupan lahan. Contoh yang diberikan dalam materi menunjukkan wilayah AOI dengan luas total 413,31 hektar dan beberapa kategori tutupan lahan.

Ketiga komponen utama pada tabel memiliki fungsi yang berbeda. Area (ha) menunjukkan luas aktual kelas dalam hektar. Percentage (%) menunjukkan proporsi kelas tersebut terhadap keseluruhan AOI. Sementara itu, Pixel Count menunjukkan jumlah piksel yang termasuk ke dalam kelas tersebut.

15. Confusion Matrix dalam Evaluasi Klasifikasi

Hasil klasifikasi tidak cukup hanya dilihat dari peta atau luas yang dihasilkan. Peneliti juga perlu mengetahui seberapa baik model membedakan kelas-kelas yang tersedia. Salah satu instrumen penting untuk melakukan evaluasi tersebut adalah Confusion Matrix.

Dalam klasifikasi biner maupun pendekatan multikelas, beberapa istilah dasar yang digunakan adalah True Positive (TP), False Positive (FP), False Negative (FN), dan True Negative (TN).

• True Positive (TP): piksel kelas tertentu diprediksi secara benar sebagai kelas tersebut.
• False Positive (FP): piksel dari kelas lain secara keliru diprediksi sebagai kelas tertentu. Ini berkaitan dengan Commission Error.
• False Negative (FN): piksel suatu kelas diprediksi sebagai kelas lain. Ini berkaitan dengan Omission Error.
• True Negative (TN): piksel di luar kelas tertentu diprediksi secara benar sebagai bukan kelas tersebut.

Keempat komponen tersebut menjadi dasar untuk menghitung berbagai metrik evaluasi klasifikasi.

16. Metrik Evaluasi Akurasi

16.1 Overall Accuracy

Overall Accuracy (OA) menunjukkan persentase keseluruhan piksel validasi yang diprediksi secara benar oleh model. Secara sederhana, nilai tersebut diperoleh dengan membandingkan jumlah prediksi yang benar dengan seluruh jumlah sampel validasi.

16.2 Precision

Precision atau User’s Accuracy menjawab pertanyaan: dari seluruh piksel yang diprediksi sebagai kelas tertentu, berapa proporsi yang memang benar berasal dari kelas tersebut?

Secara matematis:

16.3 Recall

Recall atau Producer’s Accuracy menunjukkan kemampuan model dalam menemukan anggota kelas yang sebenarnya. Dengan kata lain, metrik ini melihat berapa banyak piksel aktual suatu kelas yang berhasil dideteksi oleh model.

16.4 F1-Score

F1-Score merupakan rata-rata harmonis antara Precision dan Recall. Metrik ini berguna ketika peneliti ingin melihat keseimbangan antara ketepatan prediksi kelas dan kemampuan model dalam menangkap kelas aktual.

16.5 Weighted F1-Score

Weighted F1-Score merupakan agregasi F1-score seluruh kelas dengan memberikan bobot berdasarkan jumlah piksel atau support pada masing-masing kelas. Dengan demikian, distribusi jumlah sampel setiap kelas ikut diperhitungkan.

17. Contoh Perhitungan Akurasi

Untuk memahami penggunaan metrik tersebut, materi memberikan contoh pada kelas Sawah. Misalnya diperoleh:

Dengan demikian:

Contoh tersebut memperlihatkan bahwa satu model dapat memiliki nilai Precision dan Recall yang berbeda. Oleh karena itu, evaluasi model tidak selalu cukup hanya dengan satu angka. Beberapa metrik dapat dibaca secara bersama-sama untuk memahami karakter kesalahan klasifikasi.

18. Tingkat Kepercayaan dan Optimasi Model

Materi LAE memberikan pembagian tingkat kepercayaan berdasarkan akurasi validasi. Akurasi validasi lebih dari 75% ditempatkan pada kategori High Confidence, sedangkan 50–75% berada pada kategori Medium Confidence. Akurasi di bawah 50% ditempatkan pada kategori Low Confidence dan model perlu direvisi sebelum digunakan untuk analisis luasan.

Apabila hasil model belum memadai, beberapa strategi optimasi dapat dilakukan. Materi menyebutkan stratified sampling untuk menyeimbangkan sampel kelas minoritas, integrasi indeks spektral seperti NDVI, EVI, dan NDWI, evaluasi multi-temporal untuk menangkap perbedaan fenologi tanaman, serta pengujian beberapa algoritma secara komparatif.

19. Mengapa Perbandingan Algoritma Penting?

Dalam penelitian penginderaan jauh, hasil klasifikasi sangat dipengaruhi oleh karakteristik data. Dua algoritma yang diterapkan pada dataset yang sama dapat menghasilkan tingkat kesalahan yang berbeda. Hal tersebut terjadi karena masing-masing algoritma memiliki cara yang berbeda dalam membentuk batas keputusan dan mengenali pola data.

Karena itu, penelitian tidak seharusnya berhenti pada pertanyaan “algoritma mana yang paling terkenal?”, tetapi diarahkan pada pertanyaan yang lebih ilmiah: bagaimana performa beberapa algoritma ketika diterapkan pada dataset dan kondisi wilayah penelitian tertentu?

Perbandingan tersebut dapat dilakukan menggunakan dataset sampel yang sama, skema validasi yang sama, kelas yang sama, dan metrik evaluasi yang sama. Dengan pendekatan tersebut, perbedaan hasil antaralgoritma dapat diamati secara lebih objektif.

20. Hubungan Akurasi dengan Estimasi Luas

Dalam konteks LAE, akurasi klasifikasi memiliki hubungan langsung dengan kualitas estimasi luas. Jika sejumlah piksel yang sebenarnya termasuk kelas A diklasifikasikan sebagai kelas B, maka luas kelas A akan berkurang sementara luas kelas B akan bertambah. Dengan demikian, kesalahan klasifikasi bukan hanya memengaruhi tampilan peta, tetapi juga dapat memengaruhi angka luas yang dihasilkan.

Oleh sebab itu, angka luas dalam laporan LAE perlu dibaca bersama informasi mengenai kualitas klasifikasi. Hasil estimasi luas sebaiknya tidak diperlakukan sebagai angka yang berdiri sendiri, melainkan sebagai keluaran dari suatu proses klasifikasi yang memiliki tingkat ketidakpastian tertentu.

Semakin baik kualitas sampel, kesesuaian temporal antara sampel dan citra, pemilihan fitur spektral, serta performa model, semakin kuat pula dasar interpretasi terhadap hasil luasan yang diperoleh.

21. Rangkaian Analisis yang Perlu Dipahami Mahasiswa

Jika seluruh materi dirangkai menjadi satu kesatuan, proses analisis LAE dapat dipahami sebagai berikut. Peneliti terlebih dahulu menentukan apa yang ingin dipetakan melalui Class Setup. Setelah itu, wilayah penelitian ditentukan melalui AOI. Data citra kemudian disediakan melalui pengunduhan otomatis atau file lokal.

Setelah citra tersedia, peneliti mengumpulkan titik sampel untuk setiap kelas. Sampel tersebut menjadi dasar pelatihan model. Beberapa algoritma Machine Learning dapat digunakan untuk membangun model klasifikasi. Model kemudian diterapkan pada seluruh piksel dalam AOI sehingga menghasilkan peta tutupan lahan.

Selanjutnya, jumlah piksel masing-masing kelas dihitung untuk memperoleh luas dalam hektar. Namun, sebelum hasil tersebut digunakan lebih lanjut, performa klasifikasi perlu dievaluasi melalui Confusion Matrix dan metrik seperti Overall Accuracy, Precision, Recall, F1-Score, dan Weighted F1-Score.

Dengan demikian, LAE membentuk alur yang utuh: data satelit → sampel → model → klasifikasi → evaluasi → luas lahan → laporan. Setiap bagian memiliki fungsi metodologis dan tidak dapat dipisahkan dari bagian lainnya.

23. Pertanyaan Pemahaman

1. Apa yang dimaksud dengan Land Area Estimator (LAE)?
2. Mengapa penginderaan jauh dapat digunakan untuk estimasi luas lahan?
3. Apa fungsi resolusi spasial 10 meter pada citra Sentinel-2 dalam konteks LAE?
4. Apa yang dimaksud dengan nilai reflektansi spektral?
5. Mengapa AOI perlu ditentukan sebelum proses klasifikasi dilakukan?
6. Apa perbedaan antara citra yang diperoleh melalui STAC dengan GeoTIFF lokal?
7. Mengapa jumlah dan persebaran training points penting bagi Machine Learning?
8. Apa yang dimaksud dengan mixed pixel atau mixel?
9. Jelaskan prinsip dasar Random Forest.
10. Jelaskan karakteristik Support Vector Machine dalam klasifikasi citra.
11. Apa kelebihan dan keterbatasan K-Nearest Neighbors?
12. Mengapa tidak ada satu algoritma Machine Learning yang selalu unggul untuk seluruh kondisi penginderaan jauh?
13. Apa perbedaan Training Accuracy dan Validation Accuracy?
14. Apa fungsi Confusion Matrix?
15. Apa yang dimaksud dengan True Positive, False Positive, False Negative, dan True Negative?
16. Apa perbedaan Precision dan Recall?
17. Mengapa F1-Score digunakan dalam evaluasi klasifikasi?
18. Bagaimana jumlah piksel digunakan untuk menghitung luas lahan?
19. Mengapa hasil luas perlu dibaca bersama dengan hasil evaluasi akurasi?
20. Apa saja strategi yang dapat digunakan untuk meningkatkan akurasi model LAE?

24. Tugas Praktikum / Analisis