PERBANDINGAN KLASIFIKASI TUTUPAN LAHAN BERBASIS PIKSEL DAN BERBASIS OBJEK PADA
CITRA SENTINEL 2B DI KECAMATAN SIBOLANGIT
SKRIPSI
FEBRIANTA TARIGAN 171201161
DEPARTEMEN MANAJEMEN HUTAN FAKULTAS KEHUTANAN
UNIVERSITAS SUMATERA UTARA MEDAN
2021
PERBANDINGAN KLASIFIKASI TUTUPAN LAHAN BERBASIS PIKSEL DAN BERBASIS OBJEK PADA CITRA
SENTINEL 2B DI KECAMATAN SIBOLANGIT
SKRIPSI
Oleh :
FEBRIANTA TARIGAN 171201161
Skripsi sebagai salah satu syarat untuk memperoleh gelar sarjana di Fakultas Kehutanan Universitas Sumatera Utara
DEPARTEMEN MANAJEMEN HUTAN FAKULTAS KEHUTANAN
UNIVERSITAS SUMATERA UTARA MEDAN
2021
i
ii
PERNYATAAN ORISINALITAS
Saya yang bertanda tangan di bawah ini:
Nama : Febrianta Tarigan
NIM : 171201161
Judul Penelitian : Perbandingan Klasifikasi Tutupan Lahan Berbasis Piksel dan Berbasis Objek pada Citra Sentinel 2B di Kecamatan Sibolangit
menyatakan bahwa skripsi ini adalah hasil karya sendiri. Pengutipan-pengutipan yang penulis lakukan pada bagian-bagian tertentu dari hasil karya orang lain dalam penulisan skripsi ini, telah penulis cantumkan sumbernya secara jelas sesuai dengan norma, kaidah, dan etika penulisan ilmiah.
Medan, 16 Juli 2021
Febrianta Tarigan NIM 171201161
iii
ABSTRAK
FEBRIANTA TARIGAN : Perbandingan Klasifikasi Tutupan Lahan Berbasis Piksel dan Berbasis Objek Pada Citra Sentinel 2B di Kecamatan Sibolangit, dibimbing oleh BEJO SLAMET.
Informasi tutupan lahan pada bagian hulu sangat penting untuk perencanaan pengelolaan suatu daerah aliran sungai. Kecamatan Sibolangit memiliki peran penting karena berada di hulu DAS Deli dan DAS Percut yang keduanya melewati Kota Medan. Tujuan penelitian ini adalah menganalisis tutupan lahan di Kecamatan Sibolangit dengan menggunakan dua metode yang berbeda yaitu klasifikasi berbasis piksel dan klasifikasi berbasis objek menggunakan citra sentinel 2B. Klasifikasi tutupan lahan pada penelitian ini dilakukan dengan pendekatan klasifikasi terbimbing (Supervised Classification) dengan metode maximum likelihood classification dan pendekatan berbasis objek (OBIA) dengan metode maximum likelihood Classification. Tutupan lahan diklasifikasikan menjadi 9 kelas tutupan lahan, yaitu kebun campuran, hutan, sawah, semak, lahan terbuka, badan air, pemukiman, awan dan bayangan awan.
Hasil penelitian menunjukkan pada klasifikasi berbasis piksel diperoleh nilai overall accuracy adalah 89,83% dan kappa accuracy sebesar 86,51%, dan pada klasifikasi berbasis objek diperoleh overall accuracy sebesar 86,44%, dan kappa accuracy sebesar 83,06%. Namun demikian pada saat dilakukan uji kesamaan hasil klasifikasi dari kedua metode secara berturut-turut diperoleh overall accuracy sebesar 61.01% dan besarnya kappa accuracy sebesar 45.71%.
Klasifikasi tutupan lahan berbasis piksel lebih baik dalam menggambarkan tutupan lahan dibandingkan dengan klasifikasi tutupan lahan berbasis objek pada citra Sentinel 2B.
Kata kunci : Klasifikasi Terbimbing, OBIA, Sentinel 2B, Tutupan Lahan
iv
ABSTRACT
FEBRIANTA TARIGAN: Comparison of Pixel-Based and Object-Based Land Cover Classification on Sentinel 2B Imagery in Sibolangit District, supervised by BEJO SLAMET.
Land cover information upstream is essential for planning the management of a watershed. Sibolangit District has a vital role because it is located in the upper reaches of the Deli and Percut watersheds, both of which pass through the city of Medan. This study aimed to analyze land cover in Sibolangit District by using two different methods, namely pixel-based classification and object-based classification using Sentinel 2B Imagery. This study's land cover classification was carried out using a Supervised Classification approach with the Maximum likelihood method and an object-based approach with the likelihood method. Land cover is classified into nine land cover classes:
mixed gardens, forests, rice fields, shrubs, open land, water bodies, settlements, clouds, and cloud shadows. The results showed that in the pixel-based classification, the overall accuracy value was 89.83% and the kappa accuracy was 86.51%, and in the object-based classification (OBIA), the overall accuracy was 86.44%, and the kappa accuracy was 83.06%. However, when the similarity test of the classification results of the two methods was carried out successively, the overall accuracy was 61.01%, and the kappa accuracy was 45.71%. Pixel- based land cover classification is better at describing land cover than object- based land cover classification in Sentinel 2B imagery.
Keywords : Supervised Classification, OBIA, Sentinel 2B, Land Cover
v
RIWAYAT HIDUP
Penulis dilahirkan di Desa Sikeben pada tanggal 19 Februari 1999. Penulis merupakan anak pertama dari dua bersaudara oleh pasangan Bapak Sutradara Jones Tarigan, S.Sos. dan Ibu Martiani Br Sembiring.
Penulis memulai pendidikan di SD Negeri 101842 Sikeben pada tahun 2005-2011, pendidikan tingkat Sekolah Menengah Pertama di SMP Negeri 1 Sibolangit pada tahun 2011-2014, pendidikan tingkat Sekolah Menengah Atas di SMA Negeri 1 Sibolangit pada tahun 2014-2017. Pada tahun 2017, penulis lulus di Fakultas Kehutanan USU melalui Jalur Seleksi Mandiri.
Penulis memilih minat Departemen Manajemen Hutan.
Semasa kuliah penulis merupakan anggota organisasi HIMAS-USU dan anggota UKM KMK USU. Penulis telah mengikuti Praktik Pengenalan Ekosistem Hutan di KHDTK Pondok Buluh dan di Kawasan Wisata Mangrove Kampung Nipah pada tahun 2019. Pada tahun 2020 penulis juga telah menyelesaikan Praktik Kerja Lapang (PKL) di KPH Wilayah XII Tarutung. Pada bulan Desember sampai Maret 2021 penulis melaksanakan penelitian dengan judul
“Perbandingan Klasifikasi Tutupan Lahan Berbasis Piksel dan Berbasis Objek pada Citra Sentinel 2B di Kecamatan Sibolangit” di bawah bimbingan Dr. Bejo Slamet, S.Hut., M.Si.
vi
KATA PENGANTAR
Puji dan syukur penulis ucapkan kehadirat Tuhan Yang Maha Esa yang telah memberikan Kasih dan Karunia-Nya sehingga penulis dapat menyelesaikan skripsi yang berjudul “Perbandingan Klasifikasi Tutupan Lahan Berbasis Piksel dan Berbasis Objek pada Citra Sentinel 2B di Kecamatan Sibolangit”.
Penulisan skripsi ini juga tidak terlepas dari bantuan, dan bimbingan dari berbagai pihak. Oleh sebab itu, penulis mengucapkan terimakasih kepada :
1. Kedua orang tua, Bapak Sutradara Jones Tarigan dan Ibu Martiani Br. Sembiring serta adik saya Gabriella Christi Br Tarigan dan Kakek saya P.
Tarigan atas doa dan dukungan dan bantuan dari segi moril/materi yang di berikan selama menempuh pendidikan sehingga bisa menyelesaikan skripsi ini.
2. Bapak Dr. Bejo Slamet, S.Hut., M.Si selaku Ketua Departemen sekaligus dosen pembimbing saya yang telah mengajari dan mengarahkan dalam proses penyelesaian skripsi ini.
3. Ibu Dr. Nelly Anna, S.Hut., M.Si, Ibu Evalina Herawati, S.Hut., M.Si, dan Bapak Dr. Nurdin Sulistiyono, S.Hut., M.Si selaku dosen penguji yang telah menyempatkan waktu untuk menguji dan memberi masukan dalam penulisan skripsi ini.
4. Bapak Febri E. Gurusinga S.STP, MSP selaku Camat Sibolangit yang telah mengizinkan saya melakukan penelitian di Kecamatan Sibolangit.
5. Seluruh Kepala Desa dan Perangkat Desa Kecamatan Sibolangit yang telah bersedia menemani dalam penelitian.
6. Bapak Tengah dan Bibik Tengah beserta keluarga dan teman teman di Toko Mas Barus Jaya yang telah menyediakan tempat tinggal sekaligus membimbing dan mendukung saya dalam menyelesaikan perkuliahan.
7. Teman-teman seangkatan Hardidrah Simbolon, Timotius Natanael Perangin- angin, Margaretha Tampubolon, Gunplawan Tobing yang telah mendukung dalam menyusun skripsi ini.
Penulis menyadari terdapat banyak kesalahaan dan kekurangan dalam penyusunan skripsi ini. Penulis berharap tulisan ini memberikan manfaat untuk berbagai pihak dan bagi pengembangan ilmu pengetahuan. Akhir kata penulis mengucapkan terima kasih.
Medan, 16 Juli 2021
Febrianta Tarigan
vii
DAFTAR ISI
Halaman LEMBAR PENGESAHAN ... Error! Bookmark not defined.
PERNYATAAN ORISINALITAS ... ii
ABSTRAK ... iii
ABSTRACT ... iv
RIWAYAT HIDUP ... v
KATA PENGANTAR ... vi
DAFTAR ISI ... vii
DAFTAR GAMBAR ... ix
DAFTAR TABEL ... x
DAFTAR LAMPIRAN ... xi
PENDAHULUAN Latar belakang ... 1
Tujuan Penelitian ... 2
Kegunaan Penelitian ... 2
TINJAUAN PUSTAKA Kondisi Umum Lokasi Penelitian ... 3
Tutupan Lahan ... 3
Citra Sentinel ... 4
Klasifikasi Berbasis Objek ... 5
Klasifikasi Terbimbing ... 6
Penginderaan Jarak Jauh dan Sistem Informasi ... 6
SAGA GIS ... 6
METODE PENELITIAN Tempat dan Waktu Penelitian ... 7
Bahan dan Alat ... 7
Prosedur Penelitian ... 8
Pengumpulan Data ... 8
Cropping Data ... 9
Koreksi Radiometrik ... 9
Analisis Data ... 9
Segmentasi ... 9
Klasifikasi Tutupan Lahan Berbasis Objek... 10
Klasifikasi Berbasis Piksel ... 10
Training Area ... 11
Maximum Likelihood Classification ... 11
Uji Akurasi ... 11
HASIL DAN PEMBAHASAN Kenampakan Visual ... 13
Karateristik Tutupan Lahan ... 14
Kombinasi band citra sentinel 2B ... 14
Segmentasi Objek ... 20
Uji Separabilitas ... 22
Uji Akurasi ... 24
Hasil Klasifikasi Tutupan Lahan Berbasis Piksel ... 26
viii
Hasil Klasifikasi Tutupan Lahan Berbasis Objek ... 28
Validasi ... 31
Perbandingan Klasifikasi Tutupan lahan Berbasis Piksel dan Objek ... 34
Hasil Identifikasi Tutupan Lahan Hutan ... 36
KESIMPULAN DAN SARAN Kesimpulan ... 37
Saran ... 37
DAFTAR PUSTAKA ... 38
LAMPIRAN ... 41
ix
DAFTAR GAMBAR
No Teks Halaman
1. Lokasi Penelitian Kecamatan Sibolangit ... 7
2. Diagram Alir Penelitian ... 8
3. Kenampakan Citra Sentinel 2B Tahun 2021 Kombinasi band 4,3,2 ... 13
4. Peta Hasil Klasifikasi Tutupan Lahan Berbasis Piksel ... 27
5. Peta Hasil Klasifikasi Tutupan Lahan Berbasis Objek ... 30
6. Hasil Klasifikasi Tutupan Lahan Berbasis Piksel (a) Berbasis Objek (b), Kenampakan Citra Band 4-3-2 ... 32
x
DAFTAR TABEL
No Teks Halaman
1. Karakteristik Band Citra Sentinel 2 ... 5
2. Matrix Kesalahan Hasil Klasifikasi ... 12
3. Kombinasi Band Natural Color, False Color Infrared, Land/ Water, Vegetation Analysis ... 15
4. Hasil Segmentasi Citra Sentinel 2B ... 20
5. Hasil Uji Separabilitas Klasifikasi Berbasis Piksel ... 23
6. Hasil Uji Akurasi dengan Menggunakan Confusion Matrix Klasifikasi Tutupan Lahan ... 25
7. Luas Hasil Klasifikasi Tutupan Lahan Berbasis Piksel ... 26
8. Luas Hasil Klasifikasi Tutupan lahan Berbasis Objek ... 29
9. Hasil Validasi Klasifikasi Tutupan Lahan Berbasis Piksel ... 33
10. Hasil Validasi Klasifikasi Tutupan Lahan Berbasis Objek ... 33
11. Hasil dari Gabungan Luas Klasifikasi Tutupan Lahan Berbasis Piksel Dan Objek ... 35
xi
DAFTAR LAMPIRAN
No Teks Halaman 1. Titik Validasi Lapangan Klasifikasi Berbasis Piksel ... 41 2. Titik Validasi Lapangan Klasifikasi Berbasis Objek ... 45
1
PENDAHULUAN
Latar belakang
Perubahan tutupan lahan akhir-akhir ini sangat cepat terjadi seiring dengan bertambahnya jumlah penduduk. Perubahan tersebut sangat signifikan seperti bergantinya kebun atau taman kota menjadi gedung-gedung bertingkat, perumahan, jalan raya dan sebagainya. Perubahan tutupan lahan juga terjadi karena peningkatan urbanisasi yang dilakukan oleh penduduk. Konversi hutan menjadi lahan pertanian merupakan salah satu faktor perubahan tutupan lahan dan mengakibatkan perubahan suhu dan iklim daerah (Al Mukmin et al., 2016).
Sumber daya lahan sebagai media bagi aktivitas kehidupan manusia telah mengalami peningkatan pemanfaatan sebagai akibat perkembangan penduduk dan perekonomian. Perkembangan perekonomian masyarakat di bidang pertanian, masyarakat mengkonversi hutan menjadi lahan pertanian untuk meningkatkan pendapatan masyarakat setempat. Perubahan tutupan lahan di Kecamatan Sibolangit sangat cepat terjadi karena daerah tersebut merupakan daerah pegunungan yang sangat cocok dengan lahan pertanian dan daerah pariwisata.
Banyak pengusaha membeli lahan dan membangun lahan tersebut menjadi perumahan dan juga sebagai investasi (Kosasih et al., 2019).
Pengadaan informasi tutupan dan penggunaan lahan merupakan salah satu pemanfaatan penginderaan jauh dalam sektor kehutanan maupun pertanian.
Informasi tutupan lahan merupakan informasi yang sangat penting dalam kaitannya dengan perencanaan pembangunan wilayah khususnya dalam bidang kehutanan dan perencanaan wilayah. Istilah tutupan lahan berkaitan dengan jenis kenampakan lahan yang ada di permukaan bumi, sedangkan penggunaan lahan berkaitan dengan kegiatan manusia pada bidang lahan tertentu dan mengolah lahan untuk kebutuhan hidup (Awaliyan dan Sulistyoadi, 2018).
Penginderaan jarak jauh biasanya menggunakan citra satelit. Salah satu citra satelit yang digunakan dalam penelitian ini adalah citra sentinel 2B. Citra sentinel 2B merupakan hasil kolaborasi antara ESA, European Comission, perusahaan industri, perusahaan providers dan pengguna data. Citra Sentinel 2B menghasilkan citra optik multispektral yang mempunyai 13 band. Citra ini
2
biasanya digunakan untuk memantau tutupan lahan dalam berbagai aplikasi pengolahan data yang akan digunakan (Sinaga et al., 2018).
Pengolahan data yang dilakukan pada softwere SAGA GIS yang merupakan bagian dari Sistem Informasi Geografis (GIS) yang penggunaannya tidak berbayar. Aplikasi ini sangat minim penggunaannya pada klasifikasi tutupan lahan di daerah Sibolangit. Oleh sebab itu, dilakukan pengolahan data menggunakan aplikasi SAGA GIS untuk mengetahui hasil yang di peroleh dari apikasi tersebut.
Penelitian tutupan lahan berbasis piksel dan klasifikasi berbasis objek di daerah Kecamatan Sibolangit sangat minim data dan informasinya. Oleh sebab itu, perlu dilakukan penelitian klasifikasi tutupan lahan berbasis objek menggunakan penginderaan jarak jauh dan digunakan metode berbasis piksel untuk mengetahui hasil klasifikasi dari kedua metode tersebut. Metode ini mampu mengklasifikasikan tutupan lahan berbasis objek dan berbasis piksel sesuai dengan titik koordinat yang diambil di lapangan untuk pembuatan training area pada masing masing metode. Metode ini dapat dikombinasikan dengan Citra Sentinel 2B untuk mengklasifikasikan tutupan lahan di Kecamatan Sibolangit dan mengetahui hasil perbandingan klasifikasi yg lebih akurat berdasarkan uji akurasi dan validasi yang dilakukan.
Tujuan Penelitian
Tujuan penelitian ini adalah :
1. Menganalisis klasifikasi tutupan lahan berbasis piksel dan berbasis objek menggunakan citra sentinel 2B di Kecamatan Sibolangit.
2. Membandingkan hasil klasifikasi tutupan lahan dengan metode berbasis piksel dan klasifikasi berbasis objek pada tutupan lahan di Kecamatan Sibolangit.
Kegunaan Penelitian
Penelitian ini diharapkan dapat memberikan informasi dan membandingkan dua metode terkait tutupan lahan dan penggunaan lahan di Kecamatan Sibolangit dengan menggunakan metode klasifikasi berbasis piksel dengan klasifikasi berbasis objek serta sebagai bahan kajian dan studi pustaka dalam pengelolaan sumberdaya alam dan lahan.
TINJAUAN PUSTAKA
Kondisi Umum Lokasi Penelitian
Kecamatan Sibolangit merupakan salah satu kecamatan yang berada di Kabupaten Deli Serdang dan merupakan kawasan hutan. Secara astronomis Kecamatan Sibolangit berada diantara 30 24’ LU -30 37’ LU dan 980 56’BT -980 60’ BT dan terletak di ketinggian 300-700 m diatas permukaan laut. Secara geografis Kecamatan Sibolangit memiliki wilayah administrasi yaitu di sebelah utara Kecamatan Sibolangit berbatasan dengan Kecamatan Pancur Batu, di sebelah selatan berbatasan dengan Kabupaten Karo, di sebelah timur berbatasan dengan Kecamatan Sibiru-Biru dan Kecamatan Namorambe, di Sebelah Barat berbatasan dengan Kecamatan Kutalimbaru. Luas wilayah administrasi Kecamatan Sibolangit adalah 165, 26 km2 dan memiliki jarak dari kota Medan sekitar 50 km (Rahmad et al., 2018).
Kecamatan Sibolangit terdiri dari 30 desa dan sebagian besar penduduknya berprofesi sebagai petani. Perubahan tutupan lahan pada Kecamatan Sibolangit sangat cepat karena pertambahan penduduk bertambah setiap tahunnya.
Masyarakat desa mengkonversi lahan hutan menjadi lahan pertanian karena masyarakat Kecamatan Sibolangit kekurangan lahan pertanian dan perkebunan.
Kecamatan Sibolangit juga sangat berpotensi sebagai lahan pertanian karena daerah tersebut termasuk daerah pegunungan dan temperature udaranya cukup dingin sehingga cocok sebagai lahan pertanian dan perkebunan.
Tutupan Lahan
Tutupan lahan merupakan penampakan visual bagian permukaan bumi berupa hutan, kawasan pemukiman, dan lain sebagainya. Informasi tutupan lahan sangat penting dalam mengolah suatu kawasan dalam bidang kehutanan tersebut.
Penggunaan kawasan lahan dihubungkan dengan kegiatan yang dilakukan oleh manusia seperti pembangunan wilayah pemukiman sekaligus lahan pertanian dan perkebunan (Awaliyan dan Sulistyoadi, 2018). Pertambahan penduduk yang sangat cepat mengakibatkan manusia memerlukan lahan atau kawasan yang diolah untuk bertahan hidup dan mensejahterakan kehidupannya dengan mengubah
kawasan hutan menjadi lahan pertanian dan perkebunan. Dampak yang terjadi akibat manusia mengubah kawasan hutan secara besar besaran adalah kesuburan tanah menjadi turun, terjadinya erosi, kepunahan flora dan fauna, dan perubahan iklim secara global (Syam et al., 2012)
Mengubah kawasan hutan menjadi kawasan pertanian dan perkebunan serta pemukiman di daerah hulu sungai akan mengakibatkan hilangnya peran sebagai kawasan resapan air dan sebagai kawasan daerah pelindung hilir sungai (Salim et al., 2019).
Citra Sentinel
Citra sentinel adalah salah satu citra penginderaan jarak jauh yang sering digunakan untuk penelitian. Citra sentinel memiliki beberapa macam yaitu, pertama citra sentinel 1 adalah citra yang memuat informasi dan kondisi suatu lahan yang lebih fleksibel karena citra tersebut dapat memperoleh data karena tidak terhalang oleh cuaca maupun awan. Oleh sebab itu citra ini dapat digunakan untuk memperoleh data lahan di suatu daerah (Fathoni et al., 2017). Kedua citra sentinel 2 merupakan citra yang biasanya digunakan untuk memonitoring kondisi tutupan lahan dan pertumbuhan vegetasi di permukaan bumi. Ketiga citra sentinel 3 adalah salah satu citra yang digunakan dalam peningkatan analisis pengukuran peningkatan analisis kondisi laut, zona pesisir laut dan dapat memantau iklim gobal (Suhadha dan Ibrahim, 2019). Keempat citra sentinel 4 adalah citra yang di kembangkan oleh ESA dan fungsinya memberikan informasi pengukuran akurat atmosfer pada bumi seperti lapisan ozon, nitrogen dioksida, sulfur dioksida, formaldehida, serta sifat aerosol dan awan (Gulde et al., 2017). Kelima citra sentinel 5 adalah salah satu citra yang berfungsi menyediakan informasi global tentang konsentrasi gas dan aerosol, kualitas udara, iklim dan lapisan ozon (Kleipool et al., 2018). Citra sentinel 2 memiliki 2 jenis citra yaitu citra sentinel 2A dan 2B. Perbedaan kedua citra tersebut adalah pada orbit pengambilan citra tersebut.
Klasifikasi tutupan lahan di Kecamatan Sibolangit menggunakan Citra Sentinel 2B. Citra sentinel 2 adalah satelit penginderaan jarak jauh dengan sensor pasif ciptaan Eropa multispektal yang memiliki 13 band, 4 band beresolusi 10 m,
6 band beresolusi 20 m, dan 3 band beresolusi spasial 60 m dengan area jangkauan 290 km. Resolusi spasial yang dibilang tinggi, cakupan spektrum yang luas merupakan langkah maju yang besar dibandingkan dengan multispectral lain.
karakteristik band citra sentinel 2 dapat dilihat pada Tabel 1.
Tabel 1. Karakteristik Band Citra Sentinel 2
Penggunaan citra ini biasanya digunakan sebagai data awal untuk pengolahan data di berbagai aplikasi pengolah data, penggunaan citra ini untuk monitoring lahan pertanian, perkebunan dan kehutanan dan sebagai data perencanaan kota serta mendeteksi perubahan tutupan lahan pada suatu daerah (Kawamuna et al., 2017).
Klasifikasi Berbasis Objek
Klasifikasi berbasis objek adalah salah satu metode untuk mempartisi citra penginderaan jarak jauh menjadi objek gambar berdasarkan skala spasial yang dapat diolah di aplikasi pengolah data. Klasifikasi berbasis objek tersebut memiliki kelebihan yaitu tingkat keakurasian yang cukup tinggi (Deswina et al., 2018).
Klasifikasi berbasis objek bertujuan untuk mendeliniasi objek pada citra dan pada saat yang sama menggabungkan pengolahan citra dan fungsi aplikasi pengolahan data dalam rangka pemanfaatan informasi spektral dan kontekstual dalam cara integrative. Klasifikasi berbasis objek menggunakan metode segmentasi untuk memisahkan objek yang di teliti dengan klasifikasi. Faktor yang mempengaruhi segmentasi adalah skala dan shape (Julzarika dan Carolita, 2015)
Klasifikasi Terbimbing
Teknik klasifikasi terbimbing (supervised classification) dapat diartikan sebagai teknik klasifikasi yang diawasi dan mengklasifikasikan lahan dengan membedakan kelas tutupan lahan dengan warna. klasifikasi supervised ini melibatkan interaksi analis secara intensif, dimana analis menuntun proses klasifikasi dengan identifikasi objek pada citra (training area). Training area dilakukan untuk mengambil titik di lapangan dan berfungsi untuk menguji akurasi titik yang diambil dengan yang ada pada citra (Marwati et al., 2018).
Penginderaan Jarak Jauh dan Sistem Informasi
Penginderaan jarak jauh adalah ilmu dan seni dan berfungsi untuk memperoleh informasi tentang objek, daerah, atau gejala dengan jalan menganalisis data yang diperoleh menggunakan alat tanpa kontak langsung terhadap objek, daerah, atau gejala yang dikaji dan dianalisis data tutupan lahan tersebut. Perolehan data pada objek di permukaan bumi dari satelit di atas atau jauh dari objek yang dilihat melalui citra satelit (Syah, 2010).
Sistem Informasi Geografis (SIG) merupakan sistem informasi spasial yang digunakan untuk memproses data yang bergeoreferensi dengan data yang diperoleh dari lokasi penelitian tersebut. SIG berbasis web memungkinkan akan membantu memcahkan masalah tersebut, dengan begitu kita dapat melihat peta lokasi (Hamidi, 2012). SIG dapat mengubah realitas fisik sebuah dunia menggunakan model menjadi sebuah sistem informasi geografis yang dapat disimpan, dimanipulasi, di proses dan di presentasikan (Irwansyah, 2013).
SAGA GIS
SAGA GIS (System for Automated Geoscientific Analysis) merupakan bagian dari GIS yang memiliki fungsi untuk mengolah data raster dan aplikasi data vektor. SAGA GIS unggul dalam menganalisis file raster, tetapi juga mendukung file vektor dalam bentuk ESRI Shapefile. Format file asli yang dihasilkan adalah .sgrd, dan juga mendukung file raster dalam format lain, termasuk kisi ESRI dan kisi Surfer. Aplikasi ini dapat digunakan untuk mengolah data banjir, tutupan lahan dan laju erosi (Al Mukmin et al., 2016)
METODE PENELITIAN
Tempat dan Waktu Penelitian
Penelitian ini dilaksanakan pada tanggal 10 Desember sampai dengan Maret 2021. Penelitian di lakukan di Kecamatan Sibolangit Kabupaten Deli Serdang. Lokasi penelitian Kecamatan Sibolangit dapat dilihat pada Gambar 1.
Gambar 1. Lokasi Penelitian Kecamatan Sibolangit
Bahan dan Alat
Bahan yang digunakan dalam penelitian ini adalah memetakan secara spasial berupa pengambilan lokasi dari citra Sentinel 2B rekaman tahun 2021, tally sheet sebagai bahan pengambilan titik lokasi pada GPS serta beberapa data spasial lainnya yaitu peta administrasi.
Alat yang digunakan dalam penelitian ini adalah GPS (Global Positioning System), kamera digital, alat tulis, perangkat keras personal computer, dan.
Perangkat lunak ArcGIS 10.8, SAGA GIS, Erdas Imagine 2014, SNAP Microsoft Excel dan Microsoft Word.
Prosedur Penelitian
Prosedur kerja dalam penelitian klasifikasi tutupan lahan berbasis objek di Kecamatan Sibolangit dilakukan untuk mengkaji tipe tutupan lahan secara spasial.
Prosedur kerja dalam penelitian klasifikasi tutupan lahan berbasis piksel dan berbasis objek dapat dilihat pada Gambar 2.
Gambar 2. Diagram Alir Penelitian Pengumpulan Data
Pengumpulan data diawali dengan survei lapangan dan mengambil titik di lapangan. Tujuan kegiatan tersebut adalah untuk mengambil dokumentasi tutupan lahan dan memastikan titik tersebut sesuai dengan data sekunder. Untuk mengambil titik di lapangan, digunakan GPS kemudian data yang diperoleh di GPS akan diinput ke tallysheet. Data sekunder yang digunakan adalah data Citra Sentinel 2B di Kecamatan Sibolangit.
Cropping Data
Cropping data bertujuan untuk memotong citra agar sesuai dengan batas wilayah yang akan diteliti dan diklasifikasi. Cropping data tersebut bertujuan untuk mempermudah klasifikasi tutupan lahan di Kecamatan Sibolangit.
Koreksi Radiometrik
Koreksi radiometrik dilakukan karena hasil rekaman satelit mengalami kesalahan yang disebabkan oleh gangguan awan atau atmosfer sehingga foto yang di peroleh kurang maksimal. Besar pantulan yang direkam oleh sensor mengalami kesalahan karena adanya gangguan atmosfer. Besarnya kesalahan dipengaruhi oleh besar kecilnya gangguan atmosfer pada waktu perekaman. Koreksi radiometrik bertujuan untuk menyusun kembali nilai pantulan cahaya yang diambil oleh sensor mendekati atau memiliki pola seperti pantulan objek yang sesungguhnya sesuai dengan ukuran gelombang perekamannya (Parman, 2010).
Analisis Data Segmentasi
Cara melakukan klasifikasi objek dengan segmentasi tidak hanya berdasarkan nilai piksel, akan tetapi juga memperhatikan tampilan tekstur atau pola spasial supaya segmentasi dan pembedaan warna pada objek dapat dibedakan dengan jelas. Analisis batas segmen menggunakan perkiraan dua piksel yang berdekatan dengan perbedaan nilai yang besar mewakili dua segmen yang berbeda. Piksel-piksel tepi atau piksel yang berdekatan dapat digabung dengan segmen-segmen yang sama. Dengan demikian, hal tersebut dapat memudahkan dalam klasifikasi kelas tutupan lahan yang ada pada citra tersebut (Safitri dan Giofandi, 2019). Segmentasi digunakan untuk mengklasifikasikan piksel-piksel yang saling berdekatan menjadi beberapa objek spektral yang sejenis. Setelah itu, dilanjutkan dengan proses klasifikasi pada setiap segmen atau objek sebagai unit terkecil. Metode klasifikasi berbasis objek tersebut dapat mengurangi keterbatasan klasifikasi berbasis piksel yang berdasarkan nilai digital number dengan cara menambahkan parameter lain. selain itu, pada proses tersebut
akan terlihat sangat jelas bagaimana perbedaan setiap segmentasi pada tutupan lahan (Arisondang et al., 2015).
Klasifikasi Tutupan Lahan Berbasis Objek
Pengertian yang lebih spesifik dari klasifikasi berbasis objek atau nama lainnya Object based Image Analysis (OBIA) adalah tahapan menentukan objek menjadi kelas tutupan lahan yang di mana setiap objek diasumsikan sebagai satu unit individu segmen yang dikelaskan misalnya membedakan tutupan lahan yang terbuka, kondisi pemukiman, lahan pertanian dan lain sebagainya. Dengan membandingkan objek satu dengan yang lain memungkinkan untuk menggabungkan kelas objek yang mirip ke dalam kelas yang menjadi perhatian bagi pengguna. Kelas-kelas tersebut akan membentuk wilayah pada citra supaya setelah dilakukan klasifikasi pada citra dapat dianalisis dengan warna atau simbol. Pengguna mampu membedakan kelas dengan menggunakan klasifikasi tutupan lahan berbasis objek pada kondisi permukaan bumi dengan jelas (Maksum et al., 2016).
Selain segmentasi, klasifikasi berbasis objek dilakukan pemilihan kelas tutupan lahan sesuai dengan titik lapangan hasil ground check. Pemilihan segmen
dilakukan sesuai dengan hasil titik lapangan yang diperoleh.
Hal ini dilakukan agar hasil klasifikasi tutupan lahan di citra sesuai dengan keadaan yang sebenarnya. Setelah dilakukan pemilihan segmen pada kelas selanjutnya dilakukan klasifikasi pada citra.
Klasifikasi Berbasis Piksel
Klasifikasi berbasis piksel menggunakan pendekatan supervised classification merupakan gabungan algoritma yang berdasarkan contoh objek (nilai spektral) yang dimasukkan. Contoh objek yang dimaksud adalah contoh training area. Sebelum sampel diklasifikasikan, operator analisis atau pengguna harus melakukan persiapan sistem klasifikasi yang akan dilakukan sama seperti pada klasifikasi manual. Dua hal penting yang harus dipertimbangkan yaitu pengambilan piksel kelas tutupan lahan dan karakteristik sampel yang diambil dari lapangan atau lokasi penelitian. Klasifikasi berbasis piksel sangat
menentukan dalam hal membedakan spektral dan membedakan warna yang dilakukan di komputer. Penentuan warna dalam objek klasifikasi tutupan lahan tersebut dapat membantu karena mampu mengetahui perbedaan warna pada masing masing piksel (Kawamuna et al., 2017).
Training Area
Training area (area contoh) pada citra digunakan untuk memperoleh ciri khas setiap kelas. Kumpulan training area dapat mewakili setiap kelas tutupan lahan yang ditentukan, misalnya kelas badan air, sawah, hutan, dan lahan terbuka.
Training area tersebut memiliki tujuan untuk menentukan titik lapangan dan menguji akurasi pada titik yang diperoleh di citra tersebut. Penentuan area contoh pada citra dilakukan dengan tujuan menganalisis area contoh yang mewakili setiap kelas tutupan lahan yang diklasifikasikan dan membangun suatu nilai metode observasi dari spektral setiap tutupan lahan tersebut. Pengambilan data atau titik yang dilakukan menggunakan GPS dan membuat setiap titik pada sampel lahan yang di buat (Sampurno dan Thoriq, 2016).
Maximum Likelihood Classification
Maximum likehood classification merupakan suatu metode yang sering digunakan dalam klasifikasi tutupan lahan. Klasifikasi maximum likelihood adalah klasifikasi algoritma yang secara statistik menghasilkan hasil yang baik, dengan perkiraan bahwa objek dan piksel yang sejenis selalu menampakkan klasifikasi tersebar dengan merata. Klasifikasi tersebut dapat dikategorikan menjadi objek dan piksel tertentu didasari oleh ukuran, bentuk, dan pengenalan sampel sesuai dengan bentuk pada citra yang di peroleh (Wulansari, 2017).
Uji Akurasi
Penelitian ini menggunakan dua metode yang berbeda yaitu menggunakan teknik OBIA dan menggunakan klasifikasi terbimbing untuk membandingkan kedua metode tersebut pada klasifikasi tutupan lahan. Hasil klasifikasi penginderaan jarak jauh memiliki tujuan untuk membandingkan citra hasil klasifikasi yang dilakukan terhadap keadaan sebenarnya yang diperoleh dari hasil
pengamatan lapangan. Untuk menentukan keakuratan data penginderaan jarak jauh dapat dibuktikan dengan menggunakan matriks kesalahan yang membandingkan data melalui citra yang diperoleh dengan data lapangan yang didapat. Hasil uji akurasi klasifikasi tutupan lahan dengan menghitung producer’s accuracy (akurasi produser), user’s accuracy (pengguna) dan overall accuracy (keseluruhan). Jumlah sampel atau titik yang diambil dan dibuat di lapangan harus disesuaikan dengan citra yang telah diolah agar klasifikasi tutupan lahan mendapat nilai akurasi yang diinginkan (Deswina et al., 2018). Matrix kesalahan hasil klasifikasi tutupan lahan berbasis piksel dan berbasis objek dapat di lihat pada Tabel 2.
Tabel 2. Matrix Kesalahan Hasil Klasifikasi
Data referensi Diklasifikasikan ke dalam kelas (data kelas di peta)
Jumlah Produ
cer’s accura
A B C D
A Xii Xkk X+k Xkk/X+k
B C D
Total kolom Xk+ N
User’s accuracy Xkk/ Xk+
Adapun persamaan sistematisnya adalah Procedur’s accuracy = x 100%
User’s accuracy = x 100%
Overall accuracy = x 100%
Kappa accuracy =
Keterangan :
Xkk : Nilai diagonal dari matriks kontingensi baris ke-k dan kolom ke-k Xk+ : Jumlah piksel dalam barik ke-k
X+k : Jumlah piksel dalam kolom ke-k N : Banyaknya piksel dalam contoh
HASIL DAN PEMBAHASAN
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.
