ABSTRAK :
Perubahan tutupan lahan vegetasi merupakan indikator penting dalam pemantauan
lingkungan yang memerlukan metode otomatis dan efisien. Penelitian ini bertujuan
untuk mengidentifikasi wilayah vegetasi dari citra satelit menggunakan algoritma
K-Means Clustering, yaitu metode unsupervised learning yang tidak memerlukan
data latih. Data yang digunakan berasal dari citra Sentinel-2, dengan fokus pada
Band 4 (Red) dan Band 8 (NIR), serta pengolahan nilai Normalized Difference
Vegetation Index (NDVI) sebagai fitur utama. Proses klasifikasi mencakup
ekstraksi fitur, perhitungan jarak Euclidean, pembaruan centroid, dan
pengelompokan akhir ke dalam empat kategori tutupan lahan: air, bangunan/jalan,
lahan terbuka, dan vegetasi. Evaluasi dilakukan menggunakan Silhouette Score
untuk menilai kualitas klaster, dengan hasil rata-rata sebesar 0,4827 yang
menunjukkan pemisahan antar-klaster yang cukup baik. Hasil visual
memperlihatkan bahwa metode K-Means mampu memetakan wilayah vegetasi
secara efektif (Rousseeuw, 1987), terutama pada klaster air dan vegetasi yang
teridentifikasi dengan baik. Penelitian ini menunjukkan bahwa pendekatan berbasis
citra satelit dengan algoritma K-Means dapat diandalkan dalam sistem pemantauan
lingkungan berbasis data spasial. Pendekatan ini juga dapat dikembangkan lebih
lanjut untuk mencakup wilayah yang lebih luas serta diintegrasikan dalam sistem
pemantauan otomatis secara berkelanjutan.
Kata Kunci: K-Means, NDVI, Citra Satelit, Sentinel-2, Vegetasi, Penginderaan
Jauh
|