GEEDEF V3.1 — Panduan & Tutorial Lengkap

Apa yang Baru

7 Fitur Baru di GEEDEF V3.1

Versi terbaru yang dapat diakses melalui link GEE yang telah diperbarui menghadirkan peningkatan signifikan dibanding V3 (rilis PDF asli).

Import Sampel dari SHP Asset NEW

Sub-panel baru di Langkah 4 — muat data training yang sudah ada dari aset GEE FeatureCollection (SHP yang diunggah), baca kolom atribut secara otomatis, dan gabungkan dengan sampel yang didigitasi manual.

Read Columns NEW

Tombol khusus untuk membaca dan mengisi dropdown kolom atribut dari aset SHP yang dipilih — menghilangkan keharusan memasukkan nama kolom secara manual.

Extract Unique Classes NEW

Memindai aset SHP untuk semua kode kelas numerik unik dan menampilkan baris yang dapat diedit per kelas (nama + warna) sebelum diimpor.

Dual Asset Refresh NEW

Input refresh aset terpisah untuk batas ROI dan SHP sampel training — sebelumnya hanya ada satu input field. Kini dua aset dapat dikelola secara independen.

Accuracy Penalty Flag NEW

Jika hanya sampel manual yang digunakan (tidak ada aset tervalidasi lapangan), alat menerapkan koreksi −5% pada OA dan Kappa dan menampilkan catatan peringatan — membuat reliabilitas penilaian transparan.

Bilingual UI (EN / ID) NEW

Toggle antarmuka penuh antara Bahasa Inggris dan Bahasa Indonesia via tombol EN / ID di peta — semua label, tombol, placeholder, dan pesan status beralih secara dinamis.

Hex Color Copy Box NEW

Setiap kelas di panel palette kini menampilkan kotak teks hex yang dapat diedit di samping tombol kelas — memungkinkan penyalinan langsung tanpa perlu menghafal atau mengetik ulang kode warna.

Tutorial Lengkap

Enam Langkah Alur Kerja

Semua enam langkah harus dieksekusi secara berurutan. Melewati langkah apapun akan memicu peringatan di panel status.

1

Define Region of Interest (ROI)

ROI mendefinisikan luas spasial untuk penyaringan koleksi citra, pelatihan klasifikator, dan kalkulasi luas area. Tersedia dua metode:

Method A — Load dari GEE Asset

Method B — Gambar Manual

1 Masukkan nama akun atau proyek GEE Anda di kolom teks (misal: ee-defaniarman).
2 Klik 🔄 Refresh Assets untuk mengisi dropdown dengan aset FeatureCollection yang tersedia.
3 Pilih SHP batas wilayah dari dropdown.
4 Klik 📥 Load ROI from Dropdown.
5 Peta akan terpusat pada ROI yang dimuat dan menampilkan batas sebagai garis biru.

1 Aktifkan Drawing Tools dari toolbar peta kiri atas (ikon pensil).
2 Gambar poligon yang mendefinisikan batas area studi Anda.
3 Klik 🖊 Use Map Drawing Tools.

Rekomendasi: Untuk area studi skala distrik atau lebih besar, Method A lebih disarankan untuk memastikan batas administratif sesuai data resmi.

2

Sentinel-2A Composite Acquisition

Membangun komposit citra bebas awan dari COPERNICUS/S2_SR_HARMONIZED berdasarkan parameter yang ditentukan pengguna.

Parameter	Deskripsi	Default
Date Range	Rentang tanggal format `YYYY-MM-DD`	`2024-01-01` s.d. `2024-12-31`
Cloud Max (%)	Maksimum `CLOUDY_PIXEL_PERCENTAGE` per scene	`20%`
Cloud Masking	Aktifkan/nonaktifkan cloud masking level piksel	Aktif
Composite Method	Strategi agregasi temporal	Median

Metode Cloud Masking

Metode	Deskripsi	Rekomendasi
Cloud Score+	Menggunakan layer `cs_cdf`; memask piksel dengan `cs_cdf < 0.60`	✅ Direkomendasikan
SCL (ESA)	Menghapus kelas SCL: cloud shadow, unclassified, medium/high cloud, thin cirrus, snow/ice	Tropik
QA60 (Bitmask)	Menggunakan bit 10 (opaque cloud) dan bit 11 (cirrus cloud)	Paling sederhana

Metode Temporal Composite

Metode	Deskripsi	Terbaik Untuk
Median (Default)	Median piksel di seluruh scene dalam rentang tanggal	Pemetaan tahunan; stabil
Median Dry Season	Memilih kuartil NDVI terendah (25% scene terkering)	Kontras spektral vegetasi vs lahan terbuka
Median Wet Season	Memilih kuartil NDVI tertinggi (25% scene terhijau)	Memaksimalkan respons vegetasi

Untuk studi mangrove, gunakan Median Dry Season untuk memaksimalkan kontras spektral antara kanopi mangrove dan tambak.

3

Algoritma Klasifikasi & Parameter

Pilih salah satu dari tiga algoritma ML dan atur parameternya. Rasio training/testing default adalah 70/30.

Random Forest

Gradient Tree Boost

SVM

Parameter	Range	Default	Deskripsi
`numTrees`	50–1000	500	Jumlah pohon keputusan
`minLeafPopulation`	1–20	1	Minimum sampel per terminal leaf
`bagFraction`	0.3–1.0	0.5	Proporsi sampel per pohon

Parameter	Range	Default	Deskripsi
`numTrees`	50–500	200	Jumlah iterasi boosting
`shrinkage`	0.01–0.30	0.05	Learning rate
`samplingRate`	0.30–1.0	0.7	Proporsi sampel per iterasi
`maxNodes`	2–10	5	Kedalaman maksimum per pohon
`loss`	—	LeastAbsoluteDeviation	Fungsi loss

Parameter	Range	Default	Deskripsi
`kernel`	RBF / LINEAR / POLY / SIGMOID	RBF	Fungsi kernel
`cost (C)`	0.1–100	10	Parameter regularisasi
`gamma`	0.001–2.0	0.5	Jangkauan pengaruh (RBF, POLY, SIGMOID)
`degree`	1–10	3	Derajat polinomial (POLY only)
`coef0`	0.0–5.0	0.0	Koefisien independen (POLY, SIGMOID)

Untuk SVM dengan kernel RBF, lakukan grid search manual atas C dan gamma sebelum menjalankan klasifikasi final.

Gunakan 80/20 split untuk dataset dengan kurang dari 200 sampel per kelas. Minimum 20–30 poligon per kelas diperlukan untuk evaluasi akurasi yang valid secara statistik.

4

Tambah Kelas & Digitasi Sampel Training

Dua opsi untuk mendefinisikan kelas dan sampel training:

Opsi A — Import dari SHP Asset NEW

Opsi B — Manual

1 Masukkan nama akun/proyek GEE dan klik 🔄 Refresh untuk memuat aset SHP yang tersedia.
2 Pilih aset sampel training dari dropdown.
3 Klik 📖 Read Columns untuk mengisi dropdown kolom atribut.
4 Pilih kolom kode kelas dan kolom nama/label kelas.
5 Klik 🔍 Extract Unique Classes — baris yang dapat diedit muncul untuk setiap kelas (nama + warna).
6 Edit nama dan warna sesuai kebutuhan, lalu klik 📥 Save & Import Mapped Samples.

Sampel yang diimpor digabungkan dengan sampel yang didigitasi manual sebelum proses training.

1 Ketik nama kelas, atau klik kelas dari panel kiri palette untuk auto-fill.
2 Masukkan kode warna heksadesimal (misal: #006400).
3 Klik ＋ ADD CLASS — kode diberikan otomatis dan bertambah secara berurutan.
4 Pilih kelas aktif dari dropdown.
5 Aktifkan Drawing Tools; pilih point atau polygon.
6 Gambar area sampel di peta untuk kelas yang dipilih. Ulangi untuk semua kelas.

Best practice: Distribusikan sampel secara spasial. Gunakan beberapa poligon kecil per kelas untuk menangkap variabilitas spektral dalam kelas. Hindari zona transisional atau ambigu.

5

Jalankan Klasifikasi

Klik 🚀 RUN CLASSIFICATION. Alat mengeksekusi server-side secara otomatis:

1 Mengekstrak nilai spektral (26 variabel) dari semua sampel via sampleRegions
2 Membagi sampel secara acak menjadi set training/validasi menggunakan randomColumn
3 Melatih klasifikator pada set training
4 Mengklasifikasikan semua piksel dalam ROI
5 Menghitung error matrix → menurunkan OA dan Kappa dari set validasi
6 Menghitung luas per kelas via ee.Image.pixelArea() dalam hektar

Metrik	Threshold	Catatan
Overall Accuracy (OA)	> 85%	Umumnya diterima untuk studi tutupan lahan regional
Kappa Coefficient	> 0.80	"Very Strong" agreement (Landis & Koch, 1977)

Jika hanya sampel manual yang digunakan (tidak ada aset tervalidasi lapangan yang diimpor), penalti −5% diterapkan pada OA dan Kappa dan ditandai di panel hasil.

6

Export ke Google Drive

Ekspor hasil klasifikasi sebagai raster GeoTIFF satu band ke Google Drive Anda.

1 Atur nama folder (default: GEE_Export) dan nama file (default: LandCover_DFRF_V3).
2 Pilih resolusi spasial output: 10 m, 20 m, atau 30 m.
3 Klik ⬆ EXPORT — GeoTIFF to Drive.
4 Monitor di tab Tasks (ikon jam, kanan atas GEE Code Editor). Klik Run.

JavaScript — Export Configuration

Export.image.toDrive({
  image:          STATE.classifiedImg,
  description:    'LandCover_DFRF_V3',
  folder:         'GEE_Export',
  fileNamePrefix: 'LandCover_DFRF_V3',
  region:         STATE.roi.geometry(),
  scale:          10,           // opsi: 10, 20, 30
  crs:            'EPSG:4326',
  maxPixels:      1e13,
  fileFormat:     'GeoTIFF'
});

Output adalah raster integer satu band (nilai piksel = kode kelas), CRS: EPSG:4326. Kompatibel dengan QGIS, ArcGIS, dan semua perangkat lunak GIS utama.

Fitur Spektral

26 Variabel Fitur per Piksel

Setelah memuat komposit, GEEDEF secara otomatis menghitung 16 indeks spektral. Bersama 10 band natif Sentinel-2A, total ruang fitur adalah 26 variabel prediktor per piksel.

10 Band Spektral Natif Sentinel-2A

Band	Nama	Panjang Gelombang	Resolusi
`B2`	Blue	~490 nm	10 m
`B3`	Green	~560 nm	10 m
`B4`	Red	~665 nm	10 m
`B5`	Red Edge 1	~705 nm	20 m
`B6`	Red Edge 2	~740 nm	20 m
`B7`	Red Edge 3	~783 nm	20 m
`B8`	NIR	~842 nm	10 m
`B8A`	NIR Narrow	~865 nm	20 m
`B11`	SWIR 1	~1610 nm	20 m
`B12`	SWIR 2	~2190 nm	20 m

16 Indeks Spektral Turunan

Indeks	Aplikasi Utama
`NDVI`	Kerapatan vegetasi
`EVI2`	Struktur kanopi; mengurangi gangguan atmosfer
`CAI`	Diskriminasi tanah terbuka dan serasah
`NDWI`	Kandungan air daun
`GCVI`	Estimasi klorofil
`SAVI`	Vegetasi jarang di atas tanah terbuka
`PRI`	Efisiensi penggunaan cahaya kanopi
`HALL_COVER`	Estimasi tutupan kanopi hutan
`IRECI`	Klorofil berbasis red-edge
`NDRE`	Kesehatan dan stres vegetasi
`MNDWI`	Pemetaan badan air terbuka
`NDMI`	Kelembaban lahan
`NDBI`	Area terbangun dan perkotaan
`NBR`	Area terbakar / degradasi hutan
`GVS`	Fraksi vegetasi hijau
`NDFI`	Degradasi dan fragmentasi hutan

Konfigurasi Default (Objek CFG)

JavaScript — Default CFG Object

var CFG = {
  startDate:         '2024-01-01',
  endDate:           '2024-12-31',
  cloudMax:          20,
  classProp:         'lc',
  seed:              42,
  scale:             10,
  maxPix:            1e13,
  splitRatio:        0.7,
  // Random Forest
  rf_numTrees:       500,
  rf_minLeaf:        1,
  rf_bagFraction:    0.5,
  // Gradient Tree Boost
  gtb_numTrees:      200,
  gtb_shrinkage:     0.05,
  gtb_samplingRate:  0.7,
  gtb_maxNodes:      5,
  gtb_loss:          'LeastAbsoluteDeviation',
  // Support Vector Machine
  svm_kernel:        'RBF',
  svm_gamma:         0.5,
  svm_cost:          10,
  svm_degree:        3,
  svm_coef:          0.0
};

Skema Warna

Palette Tutupan Lahan

Tiga skema palette siap pakai: KLHK Indonesia, MapBiomas Indonesia, dan NLCD Amerika Serikat. Pilih sesuai kebutuhan studi Anda.

🇮🇩 KLHK

🌿 MapBiomas ID

🇺🇸 NLCD

Hutan Lahan Kering Primer

#60E663

ID 1

Hutan Lahan Kering Sekunder

#72FF00

ID 2

Hutan Mangrove Primer

#8EA704

ID 3

Hutan Mangrove Sekunder

#C1A700

ID 4

Hutan Rawa Primer

#60E663

ID 5

Hutan Rawa Sekunder

#72FF00

ID 6

Hutan Tanaman

#D3E598

ID 7

Semak Belukar

#EBC0A7

ID 8

Semak Belukar Rawa

#EBC0A7

ID 9

Pertanian Lahan Kering

#F6FFA7

ID 10

Pertanian Lahan Kering Campur

#EDF500

ID 11

Sawah

#A8D6FF

ID 12

Tambak

#7AF4F4

ID 13

Permukiman Transmigrasi

#728EA7

ID 14

Perkebunan

#E5D298

ID 15

Permukiman

#686868

ID 16

Bandara / Pelabuhan

#D60073

ID 17

Lahan Terbuka

#D60073

ID 18

Pertambangan

#A70400

ID 19

Badan Air

#D4FCF7

ID 20

Rawa

#98E5E5

ID 21

Savana / Padang Rumput

#D5FF02

ID 22

Awan

#D1D1D1

ID 23

Formasi Hutan

#1f8d49

ID 3

Mangrove

#04381d

ID 5

Hutan Rawa Gambut

#2f7360

ID 76

Tumbuhan Non-Hutan Lainnya

#d89f5c

ID 13

Sawah

#c71585

ID 40

Sawit

#9065d0

ID 35

Kebun Kayu

#7a5900

ID 9

Pertanian Lainnya

#ffefc3

ID 21

Lubang Tambang

#9c0027

ID 30

Permukiman

#d4271e

ID 24

Non-Vegetasi Lainnya

#db4d4f

ID 25

Tambak

#091077

ID 31

Sungai, Danau, Laut

#2532e4

ID 33

Open Water

#466b9f

ID 11

Perennial Ice/Snow

#d1def8

ID 12

Developed, Open Space

#dec5c5

ID 21

Developed, Low Intensity

#d99282

ID 22

Developed, Medium Intensity

#eb0000

ID 23

Developed, High Intensity

#ab0000

ID 24

Barren Land

#b3ac9f

ID 31

Deciduous Forest

#68ab5f

ID 41

Evergreen Forest

#1c5f2c

ID 42

Mixed Forest

#b5c58f

ID 43

Dwarf Scrub

#af963c

ID 51

Shrub/Scrub

#ccb879

ID 52

Grassland/Herbaceous

#dfdfc2

ID 71

Pasture/Hay

#dcd939

ID 81

Cultivated Crops

#ab6c28

ID 82

Woody Wetlands

#b8d9eb

ID 90

Emergent Herbaceous Wetlands

#6c9fb8

ID 95

Pemecahan Masalah

Tips & Troubleshoot

Masalah umum dan solusinya saat menggunakan GEEDEF.

Tips Umum

Uji dengan ROI kecil terlebih dahulu sebelum memproses area besar untuk menghindari timeout komputasi.

Gunakan Cloud Score+ sebagai metode masking utama untuk wilayah tropis seperti Indonesia, di mana cirrus tipis dan aerosol pesisir umum.

Distribusikan sampel secara spasial di seluruh area studi. Hindari mengkonsentrasikan semua sampel di satu lokasi geografis.

Untuk studi mangrove, gunakan Median Dry Season composite untuk memaksimalkan kontras spektral antara kanopi mangrove dan tambak.

Masalah Umum

"Computation timed out"

Kurangi luas ROI; tingkatkan scale ke 20 atau 30 m; persingkat rentang tanggal.

"Not enough pixels in region"

Gunakan skala 10 m atau perbesar area poligon sampel.

OA sangat rendah (< 70%)

Periksa penempatan sampel; hindari zona transisional; tambah sampel; gabungkan kelas yang mirip secara spektral.

Kelas tidak muncul di output

Pastikan semua kelas memiliki poligon yang digambar sebelum mengklik Run Classification.

Error loading ROI dari asset

Verifikasi path aset lengkap; aset harus berupa FeatureCollection; periksa pengaturan sharing/akses.

Layer peta tidak muncul

Buka Layer Manager (kanan atas peta); aktifkan semua layer; zoom out jika ROI kecil.

GEEDEF —
Klasifikasi Tutupan Lahan
Berbasis Google
Earth Engine V3.1

7 Fitur Baru di GEEDEF V3.1

Import Sampel dari SHP Asset NEW

Read Columns NEW

Extract Unique Classes NEW

Dual Asset Refresh NEW

Accuracy Penalty Flag NEW

Bilingual UI (EN / ID) NEW

Hex Color Copy Box NEW

Enam Langkah Alur Kerja

26 Variabel Fitur per Piksel

10 Band Spektral Natif Sentinel-2A

16 Indeks Spektral Turunan

Konfigurasi Default (Objek CFG)

Palette Tutupan Lahan

Tips & Troubleshoot

Tips Umum

Masalah Umum

Mulai Pemetaan Tutupan Lahan

GEEDEF —Klasifikasi Tutupan Lahan Berbasis Google Earth Engine V3.1

7 Fitur Baru di GEEDEF V3.1

Import Sampel dari SHP Asset NEW

Read Columns NEW

Extract Unique Classes NEW

Dual Asset Refresh NEW

Accuracy Penalty Flag NEW

Bilingual UI (EN / ID) NEW

Hex Color Copy Box NEW

Enam Langkah Alur Kerja

26 Variabel Fitur per Piksel

10 Band Spektral Natif Sentinel-2A

16 Indeks Spektral Turunan

Konfigurasi Default (Objek CFG)

Palette Tutupan Lahan

Tips & Troubleshoot

Tips Umum

Masalah Umum

Mulai Pemetaan Tutupan Lahan

GEEDEF —
Klasifikasi Tutupan Lahan
Berbasis Google
Earth Engine V3.1