Kenampakan Visual
Klasifikasi tutupan lahan di Kecamatan Sibolangit menggunakan Citra Sentinel 2B diambil pada Februari 2021 menggunakan kombinasi band Natural Colour RGB 4, 3, 2. Berikut adalah kenampakan visual citra sentinel 2B menggunakan kombinasi band Natural Color dapat dilihat pada Gambar 3.
Gambar 3. Kenampakan Citra Sentinel 2B Tahun 2021 Kombinasi band 4,3,2 Pada Citra Sentinel 2B kenampakan tutupan lahan bisa dilihat dengan jelas dengan menggunakan resolusi 10 meter. Resolusi tersebut cukup jelas membedakan setiap kelas pada kelas tutupan lahan yang akan diklasifikasikan menggunakan metode klasifikasi terbimbing (Supervised) dan metode Object Base Image Analysis (OBIA). Pada saat pengambilan rekaman citra sentinel 2B terdapat awan dan bayangan awan yang menutupi beberapa objek tutupan lahan yang terdapat pada citra sentinel 2B di Kecamatan Sibolangit.
Karateristik Tutupan Lahan
Tutupan Lahan di Kecamatan Sibolangit sangat beragam dan pengambilan titik ground check yang diperoleh adalah 500 titik dan dibagi atas 7 (tujuh) kelas tutupan lahan. Sedangkan, untuk klasifikasi citra sentinel 2B yang dilakukan terdiri atas 9 kelas tutupan lahan. Kelas tutupan lahan yang diperoleh di Kecamatan Sibolangit adalah kelas tutupan lahan kebun campuran, hutan, sawah, semak, badan air, lahan terbuka, pemukiman dan ada 2 kelas tambahan yang diperoleh dari citra berupa awan dan bayangan awan.
Kombinasi band citra sentinel 2B
Kombinasi band yang dilakukan pada penelitan ini dilakukan dengan 4 kombinasi band yaitu kombinasi band Natural Color (4, 3, 2), False Color Infrared (8, 4, 3), Land/ Water (8, 11, 4), dan Vegetasion Analysis (11, 8, 4).
Kombinasi band tersebut bertujuan untuk mempermudah dalam membuat klasifikasi tutupan lahan yang sulit di bedakan pada citra. Artaningh et al (2020) mengemukakan bahwa kombinasi band bertujuan untuk melihat perbedaan kelas tutupan lahan dari permukaan daerah penelitian sehingga proses resampling dilakukan pada proses sebelumnya, agar dapat menggunakan beberapa jenis kombinasi band dalam klasifikasi tutupan lahan. Kombinasi band yang Natural Color digunakan untuk mengklasifikasikan daerah pemukiman karena kombinasi tersebut sangat mudah di bedakan dengan kelas lainnya. Kombinasi band False Color Infrared digunakan untuk mengklasifikasikan hutan dan kebun campuran.
Kombinasi band Vegetation Analysis digunakan untuk mengklasifikasikan sawah dengan semak. Kombinasi band Land/ Water digunakan untuk mengklasifikasikan lahan terbuka dan badan air. Kombinasi band yang dilakukan pada penelitian ini untuk membedakan kelas klasifikasi tutupan lahan agar mendapat nilai akurasi yang akurat dan mampu membedakan kelas tutupan lahan yang saling berdekatan.
Berikut ini adalah Kombinasi Band Natural Color, False Color Infrared, Land/
Water, dan Vegetation Analysis dapat dilihat pada Tabel 3.
15
Tabel 3. Kombinasi Band Natural Color, False Color Infrared, Land/ Water, Vegetation Analysis No Tutupan
lahan
Foto Lapangan Kombinasi band
Natural Color ( 4 3 2)
False Color Infrared (8 4 3)
Land/ Water (8 11 4)
Vegetation Analysis (11 8 4)
1 Kebun
Campuran
Keterangan Kebun campuran merupakan tutupan lahan yang berisi tanaman pertanian dan perkebunan yang dikelola oleh masyarakat sebagai lahan pertanian. Jenis tanaman yang ditanam pada kebun campuran seperti manggis, durian, tanaman muda, kopi, karet, dan lain sebagainya.
2. Hutan
Keterangan Hutan merupakan tipe tutupan lahan yang daerahnya sebagian besar ditumbuhi oleh pepohonan yang tumbuh secara alami. Kecamatan Sibolangit merupakan daerah hutan lindung yang cukup luas
No Tutupan
lahan Foto Lapangan
Kombinasi band Natural Color
( 4 3 2)
False Color Infrared (8 4 3)
Land/ Water (8 11 4)
Vegetation Analysis (11 8 4) 3.
Semak
Keterangan Semak merupakan tipe tutupan lahan yang didominasi oleh vegetasi tingkatan rendah seperti rumput rumputan, alang alang, dan lain sebagainya. Kecamatan sibolangit umumnya ditumbuhi oleh alang alang.
4. Sawah
Keterangan Sawah merupakan tipe tutupan lahan tanah yang diairi untuk menanam tanaman padi.
No Tutupan
lahan Foto Lapangan
Kombinasi band Natural Color
( 4 3 2)
False Color Infrared (8 4 3)
Land/ Water (8 11 4)
Vegetation Analysis (11 8 4) 5. Lahan
Terbuka
Keterangan Lahan terbuka merupakan tipe tutupan lahan yang tidak ditumbuhi oleh tanaman atau vegetasi dan bangunan. Lahan terbuka biasanya bekas dari pembukaan lahan, tambang, dan lain sebagainya.
6. Badan air
Keterangan Badan air merupakan tipe tutupan lahan yang digenangi oleh air dan diatasnya tidak ditutupi oleh vegetasi. Badan air tersebut berfungsi sebagai mengairi sawah penduduk dan sebagai objek wisata pemandian.
No Tutupan
lahan Foto Lapangan
Kombinasi band Natural Color
( 4 3 2)
False Color Infrared (8 4 3)
Land/ Water (8 11 4)
Vegetation Analysis (11 8 4) 7. Pemukiman
Keterangan Pemukiman merupakan tutupan lahan terbangun yang dihuni oleh masyarakat. Pemukiman terdiri dari bangunan perumahan penduduk, perkantoran, sekolah, dan lain sebagainya.
8. Awan
Keterangan Awan merupakan sekumpulan tetesan air yang menguap dan mengalami pemadatan di udara dan membentuk kristal es diatas permukaan bumi.
Tipe tutupan lahan ini menutupi tutupan lahan yang ada di permukaan bumi sewaktu perekaman citra
No Tutupan
lahan Foto Lapangan
Kombinasi band Natural Color
( 4 3 2)
False Color Infrared (8 4 3)
Land/ Water (8 11 4)
Vegetation Analysis (11 8 4) 9. Bayangan
Awan
Keterangan Bayangan awan terjadi diakibatkan oleh sinar matahari yang dihalangi oleh awan dan mengakibatkan tutupan lahan di permukaan bumi tidak tampak jelas pada citra.
20 Segmentasi Objek
Klasifikasi OBIA adalah salah satu metode yang menggunakan metode segmentasi untuk memilih kelas tutupan lahan pada citra. Segmentasi merupakan proses pengolahan data citra dan pengenalan objek pada citra untuk dilakukan klasifikasi pada setiap kelas yang ditentukan. Marwati et al (2018) mengemukakan bahwa proses segmentasi citra berfungsi untuk membagi suatu objek menggunakan segmentasi dengan tingkatan kriteria pewarnaan dan kemiripan pada piksel kemudian hasil dari klasifikasi segmentasi tersebut akan digunakan pada proses berikutnya. Hasil dari segmentasi pada Citra Sentinel 2B dapat dilihat pada Tabel 4 berikut.
Tabel 4. Hasil Segmentasi Citra Sentinel 2B
No Tutupan
Lahan Hasil Segmentasi Foto Lapangan
1. Kebun
Campuran
2. Hutan
3. Semak
No Tutupan
Lahan Hasil Segmentasi Foto Lapangan
4. Sawah
5. Lahan Terbuka
6. Badan Air
7. Pemukiman
No Tutupan
Lahan Hasil Segmentasi Foto Lapangan
8. Awan
9. Bayangan
awan
Uji Separabilitas
Uji separabilitas merupakan uji keterpisahan kelas satu dengan kelas lain hasil dari klasifikasi tutupan lahan. Uji separabilitas pada klasifikasi tutupan lahan pada beberapa kelas tertentu memiliki nilai separabilitas yang rendah seperti kelas hutan dengan kebun campuran yang memiliki nilai 1937,18, kelas kebun campuran dengan semak yang memiliki nilai separabilitas 1930,49, kelas semak dengan sawah memiliki nilai separabilitas 1986,35, kelas sawah dan kebun campuran memiliki nilai separabilitas 1954,78, kelas sawah dengan badan air memiliki nilai separabilitas 1941,61 dan kelas pemukiman dengan lahan terbuka memiliki nilai separabilitas 1997,35. Nilai separabilitas tersebut rendah dikarenakan warna piksel kelas hutan dengan kebun campuran dan piksel dari kebun campuran dengan semak sulit dibedakan karena piksel dari kelas tersebut sulit dibedakan karena pada kondisi fisik dari hutan, kebun campuran, semak, memiliki karakteristik warna yang sulit dibedakan oleh mata dan kelas sawah, lahan terbuka dan badan air juga memiliki karakteristik warna yang sama. Faktor lain dari rendahnya nilai separabilitas kelas tersebut adalah kondisi di lapangan dan dicitra yang diklasifikasikan sangat berdekatan. Kelas awan dan bayangan awan memiliki nilai separabilitas 2000 yang memperoleh nilai separabilitas sangat baik. Hasil dari separabilitas dapat dilihat pada Tabel 5 berikut.
23 Tabel 5. Hasil Uji Separabilitas Klasifikasi Berbasis Piksel
Tutupan Lahan
Sawah Lahan
Terbuka
Awan Bayangan
Awan
Semak Kebun
Campuran
Hutan Badan Air Pemukiman
Sawah 0 2000 2000 2000 1986,35 1954,78 2000 1941,61 1999,99
L. Terbuka 2000 0 2000 2000 2000 2000 2000 2000 1997,35
Awan 2000 2000 0 2000 2000 2000 2000 2000 2000
B. awan 2000 2000 2000 0 2000 2000 2000 2000 2000
Semak 1986,35 2000 2000 2000 0 1930,49 1999,99 2000 2000
K. Campuran 1954,78 2000 2000 2000 1930,49 0 1937,18 1999,95 2000
Hutan 2000 2000 2000 2000 1999,99 1937,18 0 2000 2000
B. Air 1941,61 2000 2000 2000 2000 1999,95 2000 0 1999,6
Pemukiman 1999,99 1997,35 2000 2000 2000 2000 2000 1999,6 0
24 Uji Akurasi
Uji Akurasi klasifikasi tutupan lahan menggunakan Citra sentinel 2B digunakan untuk mengetahui tingkat kesesuaian peta yang diklasifikasikan dengan keadaan sebenarnya. Uji akurasi tersebut berfungsi mengevaluasi tingkat kesalahan klasifikasi tutupan lahan dengan melihat persentase akurasi yang diperoleh. Ramadhan et al (2018) mengemukakan bahwa uji akurasi dilakukan pada klasifikasi tutupan lahan bertujuan untuk menguji tingkat kemiripan atau kesesuaian peta tutupan lahan yang diperoleh dari proses klasifikasi tutupan lahan dengan keadaan sebenarnya.
Hasil persentase dari uji akurasi klasifikasi tutupan lahan di Kecamatan Sibolangit menggunakan tabel Confusion Matrix adalah nilai User’s Accuracy pada kelas sawah 81,82 %, kelas lahan terbuka 95,19%, kelas awan 99.6%, kelas bayangan 100%, kelas semak 81, 31% kelas kebun campuran 88, 32%, kelas hutan 98,64%, kelas badan air 80,18%, dan kelas pemukiman 92,33%. Hasil dari Producer’s Accuracy kelas sawah diperoleh 90.57%, kelas lahan terbuka 94.29%, kelas awan 100%, bayangan 99,27%, semak 96,67, kebun campuran 89,08%, kelas badan air 96,81%, hutan 97,33% dan pemukiman 78,40%.
Nilai Producer’s accuracy yang paling rendah terdapat pada kelas pemukiman yaitu 78,40% dan nilai tertinggi terdapat pada kelas awan yaitu 100%.
User’s accuracy yang paling rendah terdapat pada kelas badan air yaitu 80,18%
dan yang tertinggi terdapat pada kelas bayangan yaitu 100%. Hasil dari klasifikasi citra tersebut nilai Overall Accuracy yang diperoleh adalah 94,89% dan Kappa accuracy yang diperoleh adalah 93,52%. Hasil dari klasifikasi tutupan lahan menggunakan Citra Sentinel 2B dapat memenuhi standard klasifikasi tutupan lahan berbasis nasional maupun internasional karena mendapat nilai akurasi lebih dari 80%. Hasil dari akurasi klasifikasi tutupan lahan tersebut dapat dilihat pada Tabel 6.
25
Tabel 6. Hasil Uji Akurasi dengan Menggunakan Confusion Matrix Klasifikasi Tutupan Lahan Tutupan Lahan Sawah L. Terbuka Awan Bayangan
Awan
Semak K. camp Hutan B. Air Pemukiman Row
Total
User Accuracy
Sawah 144 3 0 0 0 14 7 0 8 176 81,82
L. Terbuka 3 99 0 0 1 0 0 0 1 104 95,19
Awan 0 0 249 0 0 0 0 0 1 250 99,60
Bayanganawan 0 0 0 818 0 0 0 0 0 818 100,00
Semak 2 0 0 0 87 15 0 0 3 107 81,31
K. Campuran 9 0 0 0 1 416 27 1 17 471 88,32
Hutan 0 0 0 4 0 16 1456 0 0 1476 98,64
B. Air 1 0 0 0 0 0 1 182 43 227 80,18
Pemukiman 0 3 0 2 1 6 5 5 265 287 92,33
Column Total 159 105 249 824 90 467 1496 188 338 3916
Producer Accuracy
90,57 94,29 100,00 99,27 96,67 89,08 97,33 96,81 78,40
Overall accuracy 94,89 Kappa Accuracy 93,52
26
Hasil Klasifikasi Tutupan Lahan Berbasis Piksel
Klasifikasi tutupan lahan berbasis piksel menggunakan metode Maximum Likelihood Classification. Klasifikasi berbasis piksel tersebut dilakukan dengan mengklasifikasikan tutupan lahan yang didasari oleh training area. Hal tersebut bertujuan untuk mengetahui kondisi lapangan dengan citra sesuai atau tidak.
Septiani et al (2019) mengemukakan bahwa klasifikasi terbimbing (Supervised Classification) mempunyai pedoman untuk memilih kelas kelas apa saja yang terdapat pada Kecamatan Sibolangit, menentukan kelas sesuai dengan titik Groundcheck sehingga keakuratan klasifikasi dapat dibuktikan.
Pada pelitian ini, terdapat 9 kelas tutupan lahan yang ditentukan diantaranya kebun campuran, hutan, semak, sawah, lahan terbuka, badan air, pemukiman, awan dan bayangan. Hasil dari klasifikasi tersebut menghasilkan luasan pada setiap kelasnya. Luasan terbesar terdapat pada kelas kebun campuran yaitu seluas 10.561,83 Ha dengan persentase 50,52% dari luas areal penelitian dan kelas hutan yaitu seluas 5.207,27 Ha dengan persentase 24,91% dari luas areal penelitian. Luasan terkecil terdapat pada kelas bayangan yaitu seluas 106,98 Ha dengan persentase 0.51 % dari luas areal penelitian dan kelas badan air memiliki luas 205,6 ha dengan persentase 0.98% dari luas areal penelitian. Berikut adalah hasil luas klasifikasi tutupan lahan berbasis piksel dapat dilihat pada Tabel 7.
Tabel 7. Luas Hasil Klasifikasi Tutupan Lahan Berbasis Piksel
Tutupan Lahan Luas Persentase Luas
Awan 396,79 1,90
Badan Air 205,26 0,98
Bayangan awan 106,98 0,51
Hutan 5207,27 24,91
Kebun Campuran 10561,83 50,52
Lahan Terbuka 420,08 2,01
Pemukiman 1028,14 4,92
Sawah 868,86 4,16
Semak 2110,01 10,09
Grand Total 20905,22
Kebun campuran mendominasi wilayah Kecamatan Sibolangit dan yang paling sedikit kelas tutupan lahan adalah bayangan awan dan badan air yang hampir tidak terlihat pada peta penelitian tersebut. Hasil klasifikasi tutupan lahan berbasis piksel dapat dilihat pada Gambar 4.
Gambar 4. Peta Hasil Klasifikasi Tutupan Lahan Berbasis Piksel
Hasil Klasifikasi Tutupan Lahan Berbasis Objek
Klasifikasi tutupan lahan berbasis objek menggunakan metode Maximum Likelihood, yang membedakan dengan metode berbasis piksel adalah klasifikasi tutupan lahan berbasis objek menggunakan segmentasi dalam pemilihan kelas pada citra. Klasifikasi tutupan lahan berbasis objek menggunakan aplikasi pengolah data yaitu SAGA GIS sedangkan pada klasifikasi tutupan lahan berbasis piksel menggunakan aplikasi pengolah data yaitu Erdas imagine 2014. Klasifikasi OBIA pada aplikasi SAGA GIS menggunakan metode region growing untuk segmentasi pada setiap kelas tutupan lahan. Metode ini digunakan karena metode tersebut mudah dilakukan pada aplikasi SAGA GIS dan metode ini mampu memisahkan setiap kelas dari bentuk, warna, dan tekstur pada citra sehingga klasifikasi dan pemilihan segmen mudah dilakukan. Wibowo dan Suharyadi (2012) mengemukakan bahwa klasifikasi menggunakan metode algoritma region growing dapat menghasilkan hasil klasifikasi tutupan lahan yang baik karena metode tersebut menjadikan segmen setiap kelas tutupan lahan mempertahankan nilai keseragaman dan kesesuaian pada setiap segmen serta variasi segmen yang satu dengan segmen yang lain.
Pada penelitian ini, parameter yang digunakan pada pemilihan objek segmentasi adalah dengan parameter Similarity Threshold. Nilai parameter tersebut sama atau berbanding lurus dengan hasil yang diperoleh dari segmentasi, semakin besar nilai dari parameter Similarity Treshold maka segmentasi yang dihasilkan akan semakin besar dan apabila segmen tersebut terlalu besar nilainya maka yang terjadi adalah kekurangan segmentasi. Apabila nilai parameter Similarity Treshold terlalu kecil maka yang terjadi adalah over segment atau melebihi target. Selain itu, nilai generalization sangat mempengaruhi tingkat keakurasian dalam pemilihan objek klasifikasi. Penelitian ini menggunakan nilai generalization sebesar 1. Semakin besar nilai generalization maka, suatu objek yang diperoleh akan tergabung dengan kelas yang lain karena memiliki kesamaan karakteristik spasial seperti warna pada citra, tekstur, dan lain sebagainya.
Hasil dari klasifikasi tersebut menghasilkan luasan pada setiap kelasnya.
Luasan terbesar terdapat pada kelas hutan yaitu seluas 7.440,09 Ha dengan persentase 35,59% dari luas areal penelitian dan kelas kebun campuran yaitu
seluas 7151.59 Ha dengan persentase 34,21% dari luas areal penelitian. Luasan terkecil terdapat pada kelas badan air yaitu seluas 312.70 Ha dengan persentase 1.50Ha dari luas areal penelitian dan kelas lahan terbuka memiliki luas 348.10 ha dengan persentase 1.67% dari luas areal penelitian. Luas hasil klasifikasi berbasis objek dapat dilihat pada Tabel 8.
Tabel 8. Luas Hasil Klasifikasi Tutupan lahan Berbasis Objek
Tutupan Lahan Luas Persentase Luas
Awan 391,09 1,87
Badan Air 312,70 1,50
Bayangan awan 463,51 2,22
Hutan 7440,09 35,59
Kebun Campuran 7151,59 34,21
Lahan Terbuka 348,10 1,67
Pemukiman 360,11 1,72
Sawah 972,13 4,65
Semak 3465,92 16,58
Grand Total 20905,22
Hasil klasifikasi tutupan lahan berbasis objek dapat dilihat pada Gambar 5.
Dari Gambar 5, dapat terlihat sedikit perbedaan dengan gambar klasifikasi tutupan lahan berbasis piksel. Peta tutupan lahan berbasis objek menunjukkan kelas dengan luas terbesar adalah hutan dan kelas dengan luas tekecil adalah lahan terbuka. Hal ini diakibatkan oleh perbedaan cara pengambilan training area pada segmen, dimana terdapat segmen yang tidak terbentuk menjadi terbentuk.
Gambar 5. Peta Hasil Klasifikasi Tutupan Lahan Berbasis Objek
Validasi
Uji validasi merupakan salah satu cara untuk mengetahui kesesuaian peta klasifikasi yang di olah dengan kondisi di lapangan. Bashit et al (2019) yang mengemukakan bahwa uji validasi berfungsi untuk mengetahui keakuratan hasil klasifikasi yang telah dilakukan pada citra. Uji validasi pada penelitian ini digunakan tabel Confusion Matrix untuk mencari persentase kesesuaian lahan dengan mencari nilai Producer’s Accuracy, Overall Accuracy, dan Kappa Accuracy. Klasifikasi tutupan lahan berbasis piksel dengan klasifikasi tutupan lahan berbasis objek memiliki nilai validasi yang berbeda karena kedua metode terseebut berbeda cara mengklasifikasikan setiap kelas. Klasifikasi tutupan lahan mendapat nilai overall accuracy 89.83% dan nilai kappa accurary pada klasifikasi ini adalah 86,51%. Pada klasifikasi ini, terdapat beberapa kelas mendapat nilai user’s accuracy yang cukup baik seperti kelas lahan terbuka dan kelas pemukiman mendapat nilai 100%, kelas kebun campuran mendapat nilai 97.87%. Nilai user’s accuracy paling rendah pada klasifikasi tersebut adalah kelas sawah mendapat nilai 63,64% dan kelas hutan mendapat nilai 66,67%. Nilai producer accuracy tertinggi terdapat pada kelas pemukiman 96.00% dan semak 90.00%. nilai producer accuracy paling rendah adalah lahan terbuka 75.00% dan hutan 85.71%
Hal ini disebabkan oleh beberapa titik ground check sawah berada di wilayah klasifikasi kebun campuran, hutan, dan badan air, sedangkan pada kelas hutan terdapat beberapa titik yang berada di wilayah klasifikasi kebun campuran dan pemukiman.
Hasil dari uji validasi klasifikasi tutupan lahan berbasis objek mendapat nilai overall accuracy 86,44% dan nilai kappa accurary yang diperoleh pada klasifikasi ini adalah 83,06%. Dari hasil overall accuracy dan kappa accuracy klasifikasi tutupan lahan berbasis objek ada beberapa kelas tutupan lahan mendapat nilai user’s accuracy yang cukup tinggi seperti kelas lahan terbuka mendapat nilai 100% dan kelas tutupan lahan badan air mendapat nilai 100%.
Kelas tutupan lahan yang mendapat nilai akurasi yang rendah adalah kelas semak mendapat nilai 60% dan kelas tutupan lahan kebun campuran mendapat nilai 82,35%. Hal ini diakibatkan oleh beberapa titik ground check kelas tutupan lahan semak berada di wilayah klasifikasi badan air, kebun campuran dan hutan.
Sedangkan pada kelas kebun campuran titik ground check berada di wilayah klasifikasi awan, semak, hutan dan badan air. Pada kedua klasifikasi tutupan lahan mendapat nilai 0% yaitu kelas tutupan lahan awan dan bayangan awan. Hal ini disebabkan oleh kelas tersebut tidak dapat diuji validasinya karena kelas tersebut tidak memiliki titik lapangan.
Kedua hasil dari uji validasi klasifikasi tutupan lahan berbasis piksel dan klasifikasi tutupan lahan berbasis objek menggunakan citra sentinel 2B mendapat nilai kappa accuracy lebih dari 80% hasil tersebut merupakan hasil uji validasi yang cukup baik dalam klasifikasi tutupan lahan di Kecamatan Sibolangit.
Perbandingan hasil klasifikasi tutupan berbasis piksel dan berbasis objek dapat dilihat pada Gambar 6.
(a) (b)
(c)
Gambar 6. Hasil Klasifikasi Tutupan Lahan Berbasis Piksel (a) Berbasis Objek (b), Kenampakan Citra Band 4-3-2
Kelas tutupan berbasis piksel menunjukkan kelas tutupaan lahan sawah sesuai dengan gambar pada kenampakan citra, sedangkan pada klasifikasi berbasis objek kelas tutupan lahan sawah terklasifikasi menjadi kelas tutupan lahan badan air. Kelas tutupan lahan berbasis piksel menunjukkan kelas tutupan lahan kebun campuran sesuai dengan kenampakan citra yang diperoleh, sedangkan pada klasifikasi tutupan lahan berbasis objek kelas tutupan lahan kebun campuran menjadi kelas tutupan lahan hutan. Hasil validasi klasifikasi tutupan lahan berbasis piksel dan berbasis objek dapat di lihat pada Tabel 9 dan Tabel 10.
33 Tabel 9. Hasil Validasi Klasifikasi Tutupan Lahan Berbasis Piksel
Tutupan Lahan L.Terbuka Semak Sawah Hutan Awan B. Awan B. Air Pemukiman K. Camp Row Total User’s accuracy
Lahan Terbuka 6 0 0 0 0 0 0 0 0 6 100,00
Semak 0 9 1 0 0 0 0 0 1 11 81,82
Sawah 0 0 7 1 0 0 1 0 2 11 63,64
Hutan 0 0 0 6 0 0 0 1 2 9 66,67
Awan 0 0 0 0 0 0 0 0 0 0 0
Bayangan awan 0 0 0 0 0 0 0 0 0 0 0
Badan Air 0 0 0 0 0 0 8 0 0 8 100,00
Pemukiman 2 0 0 0 0 0 0 24 0 26 92,31
Kebun Campuran 0 1 0 0 0 0 0 0 46 47 97,87
Column Total 8 10 8 7 0 0 9 25 51 118
Producer’s Accuracy 75,00 90,00 87,50 85,71 0,00 0,00 88,89 96,00 90,20
Overall Accuracy 89,83
Kappa Accuracy 86,51
Tabel 10. Hasil Validasi Klasifikasi Tutupan Lahan Berbasis Objek
Tutupan Lahan Sawah L. Terbuka Awan B. Awan Semak K. Camp Hutan B. Air Pemukiman Row Total User’s Accuracy
Sawah 7 0 0 0 1 0 0 0 0 8 87,5
Lahan Terbuka 0 7 0 0 0 0 0 0 0 7 100,00
Awan 0 0 0 0 0 0 0 0 0 0 0,00
Bayangan awan 0 0 0 0 0 0 0 0 0 0 0,00
Semak 0 0 0 0 6 2 1 1 0 10 60,00
Kebun Camp 0 0 1 0 2 42 2 4 0 51 82,35
Hutan 0 0 0 0 0 1 6 0 0 7 85,71
Badan Air 0 0 0 0 0 0 0 9 0 9 100,00
Pemukiman 0 0 0 0 0 1 0 0 25 26 96,15
Column Total 7 7 1 0 9 46 9 14 25 118
Producer’s Accuracy 100,00 100,00 0,00 0,00 66,67 91,30 66,67 64,29 100,00
Overall accuracy 86,44
Kappa Accuracy 83,06
34
Perbandingan Klasifikasi Tutupan lahan Berbasis Piksel dan Objek
Klasifikasi tutupan lahan berbasis piksel dan klasifikasi tutupan lahan berbasis objek adalah metode dari klasifikasi tutupan lahan yang sering digunakan karena hasil yang dihasilkan pada klasifikasi tersebut sangat bagus dan baik. Dari kedua metode tersebut memiliki kelebihan dan kekurangan saat mengklasifikasikan tutupan lahan. Klasifikasi tutupan lahan berbasis piksel menggunakan citra sentinel 2B mendapat uji validasi lebih baik dari pada klasifikasi tutupan lahan berbasis objek. Ini disebabkan oleh, klasifikasi berbasis objek biasanya menggunakan citra yang resolusi tinggi, sedangkan pada penelitian klasifikasi tutupan lahan di Kecamatan Sibolangit citra yang digunakan adalah citra yang resolusinya menengah. Oleh sebab itu, segmentasi dan pemilihan kelas pada klasifikasi ini kurang maksimal karena segmentasi pada citra tersebut masih sulit memisahkan antara kelas satu dengan yang lain. Klasifikasi tutupan lahan berbasis piksel mendapat nilai akurasi dan validasi yang tinggi karena pada metode ini biasa dilakukan pada citra yang memiliki resolusi rendah sedangkan pada penelitian klasifikasi tutupan lahan di Kecamatan Sibolangit menggunakan citra yang resolusi menengah. Oleh sebab itu, pemilihan piksel dan membedakan jenis tutupan lahan sangat mudah untuk dilakukan.
Hasil dari penggabungan luas dari setiap kelas klasifikasi tutupan lahan berbasis piksel dan klasifikasi tutupan lahan berbasis objek memiliki nilai overall accuracy 61.01% dan nilai kappa accuracy 45,71%. Hal ini disebabkan oleh perbedaan keakurasian uji validasi klasifikasi tutupan lahan berbasis piksel dengan klasifikasi tutupan lahan berbasis objek. Pada penggabungan luas dari kedua klasifikasi tersebut, kelas yang memiliki persentase nilai akurasi berbasis piksel yang paling rendah adalah kelas tutupan lahan sawah 17,98%, kelas bayangan awan 22,39%, dan kelas sawah 27,77%. Nilai tertinggi akurasi yang ditinjau klasifikasi berbasis objek adalah bayangan awan 97,02% dan hutan 83.33% dan yang paling rendah adalah pemukiman 21.53% dan badan air 27.38%.
Hal ini disebabkan oleh perbedaan luas antara klasifikasi tutupan lahan berbasis piksel dengan klasifikasi tutupan lahan berbasis objek yang cukup jauh. Hasil dari gabungan kelas kesesuaian lahan klasifikasi berbasis piksel dan berbasis objek dapat dilihat pada Tabel 11.
35
Tabel 11. Hasil dari Gabungan Luas Kesesuaian Lahan Klasifikasi Tutupan Lahan Berbasis Piksel Dan Objek
Tutupan Lahan Awan Badan
Air
Bayangan
Awan Hutan Kebun
Campuran
Lahan
Terbuka Pemukiman Sawah Semak GrandTotal
Akurasi ditinjau dari
berbasis piksel
Awan 173,95 3,95 0,06 15,07 79,65 12,81 39,38 31,40 34,74 391,01 44,49
Badan Air 12,62 56,19 0,44 55,46 79,15 11,15 46,85 46,13 4,58 312,57 17,98
Bayangan awan 30,80 57,32 103,78 249,31 2,71 0,06 17,65 1,71 0,09 463,42 22,39
Hutan 29,21 45,66 2,69 4336,29 2709,49 4,92 115,51 95,45 99,04 7438,25 58,30
Kebun Camp 17,62 5,36 0,00 403,63 5994,20 24,11 158,38 159,02 387,67 7149,99 83,84
Lahan Terbuka 4,02 3,30 0,00 0,67 27,75 181,01 90,85 36,25 4,11 347,96 52,02
Pemukiman 5,86 7,99 0,00 1,06 10,87 54,06 221,27 46,38 11,92 359,41 61,56
Sawah 22,51 23,59 0,00 92,56 214,90 39,93 154,84 269,89 153,64 971,87 27,77
Semak 100,08 1,88 0,,00 49,80 1442,02 91,96 183,13 182,39 1413,74 3465,00 40,80
Grand Total 396,67 205,22 106,97 5203,86 10560,74 420,02 1027,85 868,61 2109,54 20899,48
Akurasi ditinjau dari berbasis objek
43,85 27,38 97,02 83,33 56,76 43,10 21,53 31,07 67,02
Overall Accuracy 61,01 Kappa Accuracy 45,71
Hasil Identifikasi Tutupan Lahan Hutan
Hasil identifikasi kawasan hutan di Kecamatan Sibolangit dilakukan untuk mengetahui keadaan tutupan lahan hutan daerah tersebut. Tutupan lahan hutan di Kecamatan sibolangit banyak dikonversi masyarakat menjadi lahan lahan pertanian. Oleh sebab itu, kawasan hutan di Kecamatan Sibolangit semakin
Hasil identifikasi kawasan hutan di Kecamatan Sibolangit dilakukan untuk mengetahui keadaan tutupan lahan hutan daerah tersebut. Tutupan lahan hutan di Kecamatan sibolangit banyak dikonversi masyarakat menjadi lahan lahan pertanian. Oleh sebab itu, kawasan hutan di Kecamatan Sibolangit semakin