Comparison of Machine Learning Algorithms for Land Use and Land Cover Analysis Using Google Earth Engine (Case Study: Wanggu Watershed)

Abstract

Human population growth and land use and land cover (LULC) change have always developed side by side. Considering selection of a good Machine Learning (ML) classifier algorithm is needed considering the high estimation of LULC maps based on remote sensing. This study aims to produce a LULC classification of Landsat-8 and Sentinel-2 images by comparing the accuracy performance of three ML algorithms, namely: Classification and Regression Tree (CART), Random Forest (RF), and Support Vector Machine (SVM). Dataset comparison ratios were also explored to find the LULC classification results with the best accuracy. Sentinel-2 is better than Landsat-8 regarding Overall Accuracy (OA) and Coefficient Kappa. The comparison ratio of the training and testing datasets with a good level of accuracy is 70:30 on both images with the average OA Landsat-8 and Sentinel-2 being 92.09% and 94.21%, respectively. The RF algorithm outperforms CART and SVM in both types of satellite imagery. The mean OA of the CART, RF, and SVM classifiers was 92.03%, 94.74%, 83.54% on Landsat-8, 93.14%, 96.15%, and 93.34% on Sentinel-2, respectively.

Perbandingan algoritma classification and regression tree (cart) dan random forest (rf) untuk klasifikasi penggunaan lahan pada google earth engine

“…Terdapat beberapa metode klasifikasi yang menggunakan algoritma pohon keputusan diantaranya adalah Classification and Regression Tree (CART) dan Random Forest (RF) classifier. Perbedaan metode klasifikasi yang digunakan dalam mengidentifikasi penggunaan lahan memungkinkan terjadinya perbedaan akurasi dari klasifikasi yang dihasilkan (Aldiansyah & Saputra, 2022;Yulianto, Nugroho, & Suwarsono, 2021). Sementara itu, perbedaan data spasial juga berpengaruh terhadap akurasi hasil klasifikasi yang ditunjukkan dengan nilai Overall Accuracy (OA) dan Kappa Coefficient (Basheer et al, 2022).…”

“…Hasil klasifikasi citra Landsat lebih banyak menghasilkan kenampakan jenis penggunaan perkebunan (plantation) sementara citra Sentinel lebih banyak kenampakan jenis hutan (forest) (Gambar 3). Perbedaan tersebut dimungkinkan terjadi akibat perbedaan resolusi spasial, citra Sentinel memiliki resolusi spasial lebih detail (10m) sehingga performa klasifikasi lebih baik (Aldiansyah & Saputra, 2022;Immitzer, Vuolo, & Atzberger, 2016). Klasifikasi citra Sentinel menghasilkan luasan jenis penggunaan paddy jauh lebih besar dibandingkan dryland sementara pada citra Landsat jenis penggunaan paddy dan dryland luasanya tidak berbeda jauh.…”

“…Metode CART sebagian besar menghasilkan nilai OA <90% dan Kappa <0,90, nilai OA >90% terdapat pada citra Sentinel dengan pembagian sampel 60:40, 70:30 dan 80:20 sementara pada citra Landsat nilai OA<90%. Beberapa penelitian yang pernah dilakukan juga menunjukkan metode RF memiliki akurasi lebih tinggi dibandingkan dengan metode lainnya (Aldiansyah & Saputra, 2022;Devara & Wijayanto, 2021;Rosyani, Saprudin, & Amalia, 2021).…”