Klasifikasi stok karbon tanah yang akurat sangat penting bagi stabilitas iklim global dan mendukung mitigasi perubahan iklim. Metode berbasis lapangan tradisional seringkali terbatas dalam skalabilitas dan efisiensi, sehingga mendorong penggunaan penginderaan jauh dan pembelajaran mesin. Meskipun pengambilan sampel destruktif dianggap paling akurat untuk memperkirakan biomassa pohon, hal ini memerlukan izin khusus yang seringkali sulit diperoleh. Penelitian ini bertujuan untuk mengembangkan metode yang akurat untuk mengklasifikasikan stok karbon tanah menggunakan pendekatan hibrida yang menggabungkan ResNet50 untuk ekstraksi fitur dengan CatBoost dan Random Forest untuk klasifikasi. Tiga set data digunakan: 2.114 citra drone, 2.526 citra satelit dari Google Earth Engine (GEE), dan satu set gabungan yang terdiri dari 2.320 citra campuran. Data lapangan dikumpulkan dari plot karbon di Universitas Telkom dan diklasifikasikan ke dalam tingkat stok karbon rendah, sedang, dan tinggi. Semua citra diubah ukurannya, diproses terlebih dahulu, dan dilewatkan melalui ResNet50 untuk mengekstraksi fitur tingkat tinggi sebelum klasifikasi. Kinerja model dievaluasi menggunakan akurasi, presisi, recall, dan skor F1. Hasilnya menunjukkan bahwa citra drone mengungguli data GEE. CatBoost mencapai akurasi uji tertinggi (84,19%), presisi makro (83,63%), recall (84,22%), dan skor F1 (83,44%). Di sisi lain, model yang dilatih hanya dengan data GEE memiliki recall dan skor F1 yang lebih rendah, sehingga kapasitasnya rendah untuk mengidentifikasi semua kelas. Secara umum, penelitian ini menekankan pentingnya citra resolusi tinggi dalam pembelajaran mesin untuk meningkatkan presisi klasifikasi stok karbon. Kata kunci—Carbon Stock, drone imagery, GEE, CatBoost, Random Forest, ResNet50
Kata kunci—Carbon Stock, drone imagery, GEE, CatBoost, Random Forest, ResNet50