STUDI KOMPARASI KINERJA MODEL TRANSFER LEARNING DENSENET201, RESNET50, DAN VGG16 PADA CITRA SATELIT LANDSAT-8 UNTUK KLASIFIKASI HUTAN

Hutan tropis Indonesia, yang mencakup 62,97% dari total daratan, memiliki peran
vital dalam ekosistem global. Namun, deforestasi yang terus berlangsung, salah satunya
di Provinsi Bengkulu, memerlukan pemantauan yang akurat. Penelitian ini
membandingkan tiga model deep learning Transfer learning—DenseNet201, ResNet50,
dan VGG16 untuk mengklasifikasi hutan dan non-hutan menggunakan citra satelit
Landsat 8. Studi ini difokuskan pada Taman Hutan Buru Semidang Bukit Kabu di
Provinsi Bengkulu, yang merupakan hutan konservasi yang mengalami deforestasi. Hasil
penelitian menunjukkan DenseNet201 mencapai akurasi tertinggi 99,87%, diikuti oleh
ResNet50 dengan 98,03% dan VGG16 dengan 96,85%. Berdasarkan analisis perubahan
luas hutan di Taman Buru Semidang Bukit Kabu, DenseNet201 terbukti lebih efektif
dalam mendeteksi dan mengklasifikasikan perubahan luas hutan antara 2016 hingga
2020. Pada data asli, luas hutan yang terdeteksi berkisar antara 7102,26 ha hingga 7684,65
ha, sementara pada data yang ditingkatkan, luasnya berkisar antara 7365,42 ha hingga
7741,35 ha. Meskipun model lain memberikan hasil baik, DenseNet201 lebih unggul
dalam memonitor perubahan tutupan hutan secara keseluruhan.
Kata kunci: Klasifikasi, Hutan, Deep learning, Transfer learning, Landsat 8,
DenseNet201, ResNet50, VGG16