Abstrak:Kelapa sawit (Elaeis guineensis) merupakan tanaman penghasil minyak nabati yang paling banyak digunakan di seluruh dunia. Seiring meningkatnya permintaan minyak kelapa sawit secara global, perluasan lahan perkebunan terus dilakukan untuk mencukupi kebutuhan produksi yang menimbulkan dampak negatif signifikan terhadap lingkungan, terutama melalui deforestasi hutan hujan. Penginderaan jauh merupakan pendekatan yang efisien untuk memantau perkembangan perkebunan kelapa sawit, karena biayanya yang relatif rendah dan ketersediaan datanya yang luas. Penelitian ini bertujuan untuk memetakan penggunaan lahan untuk perkebunan sawit di Provinsi Riau, Indonesia, menggunakan ekstraksi fitur berbasis grey level co-occurrence matrix(GLCM) pada citra synthetic aperture radar (SAR). Citra SAR yang digunakan adalah PALSAR-2 dengan polarisasi HH dan HV, yang beroperasi pada L-band (λ ≈ 25 cm) sehingga mampu menembus tutupan awan dan menangkap detail struktur kanopi vegetasi. Data yang digunakan bersifat multi-temporal yang mencakup musim kemarau dan musim hujan, untuk memanfaatkan perbedaan karakteristik kanopi antar musim. Citra yang sudah diekstraksi fiturnya kemudian diklasifikasikan menggunakan algoritma Random Forest ke dalam lima kelas penggunaan lahan, yaitu perkebunan kelapa sawit, hutan, lahan terbuka, badan air, dan pemukiman. Hasil penelitian yang didapatkan adalah rata-rata F1-score sebesar 90,6%, dengan nilai F1-score 91,6% untuk kelas perkebunan kelapa sawit saja. Kelas perkebunan kelapa sawit juga mencapai nilai precision sebesar 87,3% dan recall sebesar 96,3%.