KLASIFIKASI TUTUPAN LAHAN BERBASIS OBJEK DENGAN ALGORITMA DECISION TREE DI KECAMATAN MEDAN BELAWAN

(1)

KECAMATAN MEDAN BELAWAN

SKRIPSI

Oleh :

EUGENIA LIZANDRA NORATIKA 161201099

DEPARTEMEN MANAJEMEN HUTAN FAKULTAS KEHUTANAN

UNIVERSITAS SUMATERA UTARA MEDAN

2020

(2)

i

KLASIFIKASI TUTUPAN LAHAN BERBASIS OBJEK DENGAN ALGORITMA DECISION TREE DI KECAMATAN

MEDAN BELAWAN

SKRIPSI

Oleh :

EUGENIA LIZANDRA NORATIKA 161201099

Skripsi sebagai salah satu syarat untuk memperoleh gelar sarjana di Fakultas Kehutanan Universitas Sumatera Utara

DEPARTEMEN MANAJEMEN HUTAN FAKULTAS KEHUTANAN

UNIVERSITAS SUMATERA UTARA MEDAN

2020

(3)

ii

LEMBAR PENGESAHAN

Judul Penelitian : Klasifikasi Tutupan Lahan Berbasis Objek

dengan Algoritma Decision Tree di Kecamatan

Medan Belawan

Nama : Eugenia Lizandra Noratika

NIM : 161201099

Departemen : Manajemen Hutan

Fakultas : Kehutanan

Disetujui Oleh, Pembimbing

Dr. Bejo Slamet, S.Hut.,M.Si.

Ketua

Mengetahui,

Ketua Departemen Manajemen Hutan

Dr. Bejo Slamet, S.Hut., M.Si.

Ketua Departemen

Tanggal Lulus : 29 Juli 20

(4)

iii

PERNYATAAN ORISINALITAS

Saya yang bertanda tangan di bawah ini:

Nama : Eugenia Lizandra Noratika

NIM : 161201099

Judul Skripsi : Klasifikasi Tutupan Lahan Berbasis Objek dengan Algoritma Decision Tree di Kecamatan Medan Belawan

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, 11 Juni 2020

Eugenia Lizandra Noratika NIM 161201099

(5)

iv

ABSTRAK

EUGENIA LIZANDRA NORATIKA : Klasifikasi Tutupan Lahan Berbasis Objek dengan Algoritma Decision Tree di Kecamatan Medan Belawan, dibimbing oleh BEJO SLAMET.

Klasifikasi tutupan lahan berbasis piksel sudah banyak diterapkan, namun informasi terkait pengkajian klasifikasi tutupan lahan berbasis objek (OBIA) dengan citra resolusi tinggi yaitu citra SPOT di Kecamatan Medan Belawan belum dilakukan. Penggunaan algoritma decision tree dalam klasifikasi tutupan lahan berbasis objek tergantung pada sampel obyek yang digunakan. Penelitian ini bertujuan untuk menganalisis tipe tutupan lahan di Kecamatan Medan Belawan menggunakan metode OBIA. Penelitian ini dilakukan selama 5 bulan (Desember 2019 – April 2020). Penelitian ini menghasilkan 11 tipe tutupan lahan sesuai dengan kondisi di lapangan. Skala segmentasi 50 menghasilkan nilai akurasi tertinggi sedangkan nilai akurasi terendah pada skala segmentasi 150. Penggunaan skala segmentasi 50 memberikan akurasi tertinggi dengan akurasi keseluruhan dan akurasi kappa 100%, dan korelasi sebesar 0,57. Akurasi terendah diperoleh pada skala 150 dengan akurasi keseluruhan (overall accuracy) dan akurasi kappa 97%, dan korelasi sebesar 0,46. Hasil validasi terhadap peta tutupan lahan yang dihasilkan diperoleh nilai sebesar 91,46% untuk skala segmentasi 50 dan sebesar 81,66% untuk skala segmentasi 150. Hasil penelitian ini menujukkan bahwa penggunaan citra SPOT untuk klasifikasi tutupan lahan berbasis obyek memberikan hasil yang baik.

Kata kunci : Citra SPOT, Decision Tree, OBIA, Tutupan Lahan.

(6)

v

ABSTRACT

EUGENIA LIZANDRA NORATIKA: Object-Based Land Cover Classification With Decision Tree Algorithm In Medan Belawan District, supervised by BEJO SLAMET

The pixel-based land cover classification has been widely applied, but information related to the assessment of object-based land cover classification (OBIA) with high-resolution imagery namely SPOT imagery in Medan Belawan District, has not been carried out. The use of decision tree algorithms in the classification of object-based land cover depends on the sample of the object used. This study aims to analyze the type of land cover in Medan Belawan District using the OBIA method. This research was conducted for five months (December 2019 - April 2020). As many as 14 lands cover types were used according to the real conditions in the field. The segmentation scale use of 50 gives the highest accuracy; however, the lowest accuracy obtained from the segmentation scale of 150. The 50 segmentation scales obtained an overall accuracy (OA) of 100%, kappa accuracy of 100%, and a correlation of 0.57. In comparison, the 150 segmentation scales obtained 97% for OA and kappa accuracy, and only 0.46 for correlation value. The validation test was resulting values of 91.46% for the 50 scales segmentation and 81.66% for the 150 scales segmentation. This study shows that the use of SPOT imagery for the classification of object-covered land cover gives good results.

Keywords: Decision Tree, Image SPOT, Land Cover, OBIA.

(7)

vi

RIWAYAT HIDUP

Penulis dilahirkan di Surabaya pada tanggal 2 Juni 1998. Penulis merupakan anak pertama dari empat bersaudara dari Bapak Antoni Marpaung dan Ibu Anytha Herlyna Naibaho.

Penulis memulai pendidikan di SD Swasta ST.

Ignatius Medan pada tahun 2004 - 2010, pendidikan tingkat Sekolah Menengah Pertama di SMP Negeri 10 Medan pada tahun 2010 - 2013, pendidikan tingkat Sekolah Menengah Atas di SMA Negeri 1 Medan pada tahun 2013 - 2016. Pada tahun 2016, penulis lulus di Fakultas Kehutanan USU melalui jalur Seleksi Bersama Masuk Perguruan Tinggi Negeri (SBMPTN). Penulis memilih minat Departemen Manajemen Hutan.

Penulis telah mengikuti Praktik Pengenalan Ekosistem Hutan (P2EH) di Kawasan Hutan Mangrove Desa Lubuk Kertang, Kec. Brandan Barat, Kab.

Langkat, Sumatera Utara pada tahun 2018. Pada tahun 2019 penulis juga telah menyelesaikan Praktik Kerja Lapang (PKL) di Perusahaan Hutan Tanaman Industri (HTI) PT. Toba Pulp Lestari, Tbk Sektor Aek Nauli, Sumatera Utara.

Selama proses perkuliahan, penulis pernah menjadi Asisten Praktikum pada Praktikum Sistem Informasi Geografis tahun 2020.

Penulis juga beberapa kali mengikuti perlombaan tingkat nasional dan berhasil memperoleh Juara I dan Juara III Lomba Karya Tulis Ilmiah Nasional (LKTIN) The Landformation 2017 di Universitas Padjajaran, Jawa Barat pada tahun 2017 dan sebagai Best Presentator dan Finalis Lomba Karya Tulis Ilmiah Nasional (LKTIN) pada acara Scientific Great Moment ke-8 yang diselenggarakan oleh Agritech Research and Study Club Fakultas Teknologi Pertanian Univertasi Brawijaya, Malang pada tahun 2017. Pada tahun 2018, penulis meraih penghargaan sebagai Mahasiswa Universitas Sumatera Utara yang berprestasi Tingkat Nasional dan kembali mendapat penghargaan sebagai Mahasiswa Bidikmisi Berprestasi pada Talkshow dan Penyerahan Hadiah Mahasiswa Berprestasi oleh UKM Gamadiksi USU. Pada tahun 2019, penulis mendapat apresiasi Harapan I dalam acara Pemilihan Mahasiswa Berprestasi Fakultas Kehutanan USU Tahun 2019.

Semasa kuliah penulis aktif dalam organisasi sebagai anggota Divisi Keanggotaan pada tahun 2017-2018 dan sekretaris Divisi Kerohanian Kristen tahun 2018-2019 di UKM Keluarga Mahasiswa Bidikmisi (GAMADIKSI) USU serta anggota Himpunan Mahasiswa Sylva (HIMAS) USU. Sebagai peningkatan keterampilan, penulis mengikuti Pelatihan Sistem Informasi Geografis Tingkat Dasar dan Pelatihan Pemetaan Menggunakan Teknologi Drone Tingkat Lanjut oleh Indonesia Mapping Community (IMC) dan seminar-seminar lainnya.

(8)

vii

KATA PENGANTAR

Puji syukur penulis ucapkan kehadirat Tuhan Yang Maha Esa atas Rahmat dan Karunia-Nya penulis dapat menyelesaikan skripsi ini. Tugas akhir ini berjudul

“Klasifikasi Tutupan Lahan Berbasis Objek dengan Algoritma Decision Tree di Kecamatan Medan Belawan”. Pada kesempatan ini penulis mengucapkan terima kasih kepada:

1. Ibu Siti Latifah, S.Hut., M.Si., Ph.D selaku Dekan Fakultas Kehutanan, Universitas Sumatera Utara.

2. Bapak Dr. Bejo Slamet, S.Hut., M.Si selaku Ketua Departemen Manajemen Hutan sekaligus dosen pembimbing yang telah membimbing dan mengarahkan dalam proses penyelesain tugas akhir ini.

3. Ibu Dr. Kansih Sri Hartini, S.Hut., M.P, Ibu Irawati Azhar, S.Hut., M.Si dan Bapak Dr.Achmad Siddik Thoha, S.Hut., M.Si selaku dosen penguji

4. Teristimewa kepada ayah tercinta, Pak Antoni Marpaung yang telah membesarkan penulis sebagai single parent dalam 10 tahun ini dan memotivasi penulis dalam segala hal.

5. Adik-adik penulis Inggrid Liany Moureen, Rio Prasetyo Marpaung, dan Ivo Laura Karencya yang telah menyemangati dalam pembuatan tugas akhir.

6. Artah Sasta Sinaga sebagai teman dalam doa yang setia memotivasi dan menemani dalam segala proses penelitian hingga penyelesaian tugas akhir ini.

7. Franheid Ariski Situmorang, Berry Mora Manalu, Desriyana Silaen dan Bayu Prades Tri Dharma sebagai teman seperjuangan dan seperdopingan yang membantu proses penelitian hingga ke tahap akhir penyelesaian tugas akhir ini.

8. Teman sekaligus saudara selama di perkuliahan (Canella, Lusiana, Yuni, Tika Yuana Sari, Gerika dan Nara) yang telah menemani penulis selama 4 tahun di perkuliahan dan membantu penulis selama penelitian.

9. Teman-teman alumni HUT D 2016 dan Manajemen Hutan 2016 yang telah mendukung penulis selama perkuliahan.

Akhirnya Penulis berharap semoga penelitian ini menjadi sumbangsih dan bermanfaat bagi semua kalangan.

(9)

viii

DAFTAR ISI

Halaman

LEMBAR PENGESAHAN ... ii

PERNYATAAN ORISINALITAS ... iii

ABTRAK ... iv

ABTRACT ... v

RIWAYAT HIDUP ... vi

KATA PENGANTAR ... vii

DAFTAR ISI ... viii

DAFTAR TABEL ... x

DAFTAR GAMBAR ... xi

DAFTAR LAMPIRAN ... xii

PENDAHULUAN Latar Belakang ... 1

Tujuan Penelitian ... 3

Kegunaan Penelitian ... 3

TINJAUAN PUSTAKA Kondisi Umum Lokasi ... 4

Tutupan Lahan ... 4

Sistem Informasi dan Penginderaan Jauh ... 5

Citra SPOT ... 6

Klasifikasi Berbasis Objek ... 7

Tree Algorithm ... 7

METODE PENELITIAN Tempat dan Waktu Penelitian ... 8

Bahan dan Alat ... 8

Prosedur Penelitian ... 9

Pengumpulan Data ... 10

Cropping Citra ... 10

Koreksi Geometrik ... 10

Koreksi Radiometrik ... 10

Analisis Data ... 11

Segmentasi Objek ... 11

Klasifikasi Tutupan Lahan Berbasis Objek ... 12

Decision Tree Algorithm ... 12

Training Area ... 12

Uji Geostatistik ... 13

Uji Akurasi ... 14

HASIL DAN PEMBAHASAN Visualisasi Citra ... 15

(10)

ix

Karakteristik Tutupan Lahan ... 15

Segmentasi Objek ... 22

Hasil Klasifikasi Berbasis Objek ... 26

Algoritma Decision Tree ... 29

Hasil Uji Geostatistik ... 31

Hasil Uji Validasi Lapangan ... 39

KESIMPULAN DAN SARAN Kesimpulan ... 42

Saran ... 42

DAFTAR PUSTAKA ... 43

LAMPIRAN ... 46

(11)

x

DAFTAR TABEL

No Teks Halaman

1. Karakteristik citra SPOT ... 6

2. Data penelitian ... 9

3. Interpretasi terhadap koefisien korelasi ... 13

4. Matriks kesalahan (confussion matrix) ... 14

5. Segmentasi objek tipe tutupan lahan di Kecamatan Medan Belawan . 23

6. Luas masing-masing kelas tutupan lahan skala segmentasi 150, 100, dan 50 ... 28

7. Classification stability klasifikasi tutupan lahan skala 150 ... 31

8. Classification stability klasifikasi tutupan lahan skala 100 ... 31

9. Classification stability klasifikasi tutupan lahan skala 50 ... 32

10. Best classification result klasifikasi tutupan lahan skala 150 ... 32

13. Error matrix based on sample klasifikasi tutupan lahan skala 150 .... 36

14. Error matrix based on sample klasifikasi tutupan lahan skala 100 .... 37

15. Error matrix based on sample klasifikasi tutupan lahan skala 50 ... 38

16. Hasil validasi lapangan klasifikasi tutupan lahan skala 150 ... 39

(12)

xi

DAFTAR GAMBAR

1. Sistem pengideraan jauh ... 6

2. Peta lokasi penelitian di Kecamatan Medan Belawan ... 8

3. Diagram alir penelitian ... 9

4. Diagram alir proses OBIA ... 11

5. Cara kerja decision tree ... 12

6. Visualisasi citra SPOT tahun 2018 tampilan RGB 9,4,5 ... 15

7. Penampakan visual awan (a) citra SPOT 7 (b) Kondisi di lapangan ... 16

8. Penampakan visual badan air (a) citra SPOT 7 (b) Kondisi di lapangan . 16

9. Penampakan visual industri (a) citra SPOT 7 (b) Kondisi di lapangan ... 17

10. Penampakan visual jalan (a) citra SPOT 7 (b) Kondisi di lapangan ... 17

11. Penampakan visual kelapa sawit (a) citra SPOT 7 (b) Kondisi di lapangan ... 18

12. Penampakan visual lahan terbangun (a) citra SPOT 7 (b) Kondisi di lapangan ... 18

13. Penampakan visual lahan terbuka (a) citra SPOT 7 (b) Kondisi di lapangan ... 19

14. Penampakan visual mangrove (a) citra SPOT 7 (b) Kondisi di lapangan ... 19

15. Penampakan visual pelabuhan (a) citra SPOT 7 (b) Kondisi di lapangan 20

16. Penampakan visual permukiman (a) citra SPOT 7 (b) Kondisi di lapangan ... 20

17. Penampakan visual tambak (a) citra SPOT 7 (b) Kondisi di lapangan .... 21

18. Penampakan visual vegetasi lain (a) citra SPOT 7 (b) Kondisi di lapangan ... 21

19. Peta tutupan lahan hasil klasifikasi objek Kec. Medan Belawan menggunakan skala 150; shape 0,1; compactness 0,5 ... 27

22 Grafik luas kelas tutupan lahan skala segmentasi150, 100, dan 50 ... 29

23. Algrotima Decision tree pada klasifikasi tutupan lahan di Kecamatan Belawan dengan citra SPOT 7 tahun perekaman 2018 ... 30

24. Nilai korelasi pada klasifikasi tutupan lahan skala 150 ... 33

(13)

xii

DAFTAR LAMPIRAN

1. Dokumentasi tutupan lahan di lapangan ... 46

(14)

PENDAHULUAN

Latar Belakang

Tutupan lahan di suatu daerah selalu mengalami perubahan sepanjang waktu. Seperti halnya di daerah Sumatera Utara dalam kurun waktu 10 tahun kian mengalami penurunan luas kawasan hutan menjadi areal lahan usaha lainnya.

Adanya pembangunan dan perkembangan kawasan merupakan proses pengalihfungsian lahan dalam pemenuhan infrastruktur yang dibutuhkan oleh masyarakat. Hal ini disebabkan dengan peningkatan jumlah urbanisasi dan jumlah penduduk yang mengakibatkan meningkatnya kebutuhan areal lahan (Syam et al., 2012).

Konversi areal hutan menjadi lahan pemukiman, perkebunan, atau usaha lainnya seringkali tidak memperhatikan aspek ekologis lahan itu sendiri guna menukarkan fungsinya menjadi lebih ekonomis. Dalam hal ini terjadi pada kawasan lahan yang dominasi hutan mangrove di Kecamatan Medan Belawan, Kota Medan. Hutan mangrove setiap tahunnya mengalami perubahan areal.

Dalam fenomena ini dapat dilihat melalui penggunaan penginderaan jauh untuk memperoleh informasi terkait tutupan lahan di Kecamatan Medan Belawan.

Pemanfaatan teknologi penginderaan jauh dapat menjadi solusi dalam monitoring dan inventarisasi sumberdaya ekosistem mangrove (Deswina et al., 2018).

Pemanfaatan teknologi penginderaan jauh dapat digunakan dalam menghasilkan informasi detail tutupan lahan menjadi efisien dalam hal biaya dan waktu pemrosesannya, serta penerapan prosedur yang sistematik dibandingkan dengan pengukuran secara langsung di lapangan (Wheatley et al., 2000).

Penggunaan teknologi pengideraan jauh yaitu dengan menggunakan citra satelit.

Penggunaan citra satelit dalam mendeteksi tutupan lahan telah banyak digunakan.

Salah satu citra yang dapat digunakan untuk mendapatkan informasi pentupan lahan adalah Citra SPOT. Citra SPOT merupakan satelit dengan resolusi spasial tinggi dapat digunakan untuk memantau lahan dalam berbagai aplikasi pemantauan dan perencanaan sumberdaya lingkungan terutama pada ekosistem mangrove (Kawamuna et al., 2017).

(15)

Dalam kaitannya dengan identifikasi dan karakteristik tutupan lahan di wilayah pesisir, deteksi hutan mangrove dapat dilakukan melalui identifikasi jenis obyek yang diamati dan diambil dengan berdasarkan nilai spectral yang diperoleh dari Citra SPOT. Nilai spectral pada citra dapat menghasilkan informasi jenis tutupan lahan pada kisaran spectrum tampak dan inframerah dekat (Suwargana, 2010). Selain itu, citra tersebut dapat mengkaji tentang karakteristik profil penutupan lahan di kawasan sepanjang pantai maupun badan areal lainnya yang dapat terlihat jelas dari data penginderaan jauh.

Berdasarkan proses pengolahan, klasifikasi terdiri dari dua jenis yaitu manual dan digital. Klasifikasi manual meliputi klasifikasi digitasi on screen, sedangkan klasifikasi digital meliputi klasifikasi berbasis piksel dan klasifikasi berbasis objek. Metode yang digunakan untuk klasifikasi digital meliputi unsupervised, supervised, dan decision tree (Julzarika dan Carolita, 2015).

Awaliyandan Sulistyoadi (2018) menuturkan bahwa Decision tree (pohon keputusan) dapat digunakan sebagai representasi sederhana dari klasifikasi dengan menggunakan struktur pohon dalam memetakan tiap piksel pada masing-masing kelas. Setiap keputusan atau node cabang membagi setiap pixel pada citra menjadi hasil uji yang yang mereferensikan kelompok kelas tertentu berdasarkan algorithm-nya.

Studi pengkajian tutupan lahan telah banyak dilaporkan. Namun pengkajian tutupan lahan di Kecamatan Medan Belawan menggunakan penginderaan jarak jauh yang berbasis objek, informasi yang diperoleh masih sangat minim. Untuk itu perlu dilakukannya klasifikasi tutupan lahan di Kecamatan Medan Belawan menggunakan penginderaan jauh dengan metode tree algorithm. Dalam hal ini, penggunaan klasifikasi tutupan lahan dikaji menggunakan Decision tree. Dimana metode tree algorithm jenis ini merupakan gambaran kondisi pemisahan kelas objek sesuai dengan sampel yang digunakan untuk pembuatan metode algorotimanya. Klasifikasi digital, decision tree dapat dipadukan antara data tutupan lahan di Kecamatan Medan Belawan dengan pemodelan klasifikasi yang dihasilkan dari Citra SPOT.

(16)

Tujuan Penelitian

Tujuan penelitian ini adalah :

1. Menganalisis tipe tutupan lahan di Kecamatan Medan Belawan dengan menggunakan metode object based image analysis.

2. Mengevaluasi nilai akurasi dan validasi yang diperoleh dari klasifikasi tutupan lahan berbasis objek berdasarkan parameter skala segmentasi.

Kegunaan Penelitian

Penelitian ini diharapkan dapat memberikan informasi terkait tutupan lahan dan penggunaan lahan di Kecamatan Medan Belawan dengan menggunakan teknik object based image analysis serta sebagai bahan kajian dan studi pustaka dalam pengelolaan sumberdaya alam dan lahan.

(17)

TINJAUAN PUSTAKA

Kondisi Umum Lokasi

Daerah Kota Medan di bagian timur laut berbatasan langsung dengan laut, sehingga membutuhkan mangrove untuk mencegah terjadinya abrasi di bagian pantai. Secara geografis, Kecamatan Medan Belawan berada pada 3,44’ – 3,48’

LU dan 98,37’ – 98,43’ BT dan berada pada ketinggian 2,5 – 37,5 m di atas permukaan laut (Badan Pusat Statistik, 2019). Lokasi penelitian di bagian utara berbatasan dengan Selat Malaka, di sebelah selatan berbatasan dengan Kecamatan Medan Labuhan, di sebelah barat dan timur berbatasan dengan Kabupaten Deli Serdang (Pemerintah Kota Medan, 2014). Kecamatan Medan Belawan menempati area seluas 21,82 km² (2.182 Ha) dan memiliki enam kelurahan yaitu Kelurahan Belawan Pulau Sicanang, Kelurahan Belawan Bahagia, Kelurahan Belawan Bahari, Kelurahan Belawan II, Kelurahan Bagan Deli, dan Kelurahan Belawan I (Frederick dan Hariadi, 2016). Kelurahan Belawan Pulau Sicanang merupakan areal terluas di Kecamatan Medan Belawan sedangkan yang terkecilnya pada Kelurahan Belawan Bahagia.

Berdasarkan kepadatan penduduk, Kecamatan Medan Belawan tahun 2018 terdapat 99.273 jiwa dengan kepadatan penduduk per km² 4.550 jiwa (Badan Pusat Statistik, 2019). Hal ini menunjukkan tekanan penduduk terhadap lahan tinggi sehingga berpengaruh terhadap terjadinya perubahan tutupan lahan menjadi lahan permukiman, pertambakan, perkebunan kelapa sawit, dan wisata di Kecamatan Medan Belawan (Dinas Kehutanan Provinsi Sumatera Utara, 2011).

Tutupan Lahan

Tutupan lahan merupakan penampakan material fisik permukaan bumi.

Tutupan lahan dapat menggambarkan keterkaitan antara proses alami dan proses sosial (Sampurno dan Thoriq, 2016). Proses alami yang terjadi terhadap perubahan tutupan lahan berupa proses dari alam seperti halnya pergerakan lempeng bumi sedangkan proses sosial berasal dari aktivitas manusia seperti konversi lahan hutan menjadi penggunaan lahan lainnya sehingga mengakibatkan kerusakan hutan (Zulkarnain et al., 2015). Dampak yang terjadi dengan adanya

(18)

perubahan tutupan lahan yaitu terjadinya polutan, berkurangnya keanekaragaman hayati, dan pemanasan global. Perubahan tutupan lahan banyak terjadi pada wilayah yang memiliki sumberdaya alam yang melimpah (Sihombing, 2013) termasuk ekosistem hutan mangrove.

Informasi tutupan lahan sangat diperlukan untuk keperluan permodelan dan memahami fenomena alam yang terjadi di permukaan bumi. Hasil informasi tutupan lahan juga dapat digunakan dalam mempelajari perubahan iklim dan keterkaitan antara aktivitas manusia dan perubahan global yang terjadi ((Gong et al., 2013), (Jia et al., 2014)). Tutupan lahan merupakan informasi dasar dalam kajian geoscience dan perubahan global (Sampurno dan Thoriq, 2016). Dari data yang didapat terkait tutupan lahan terjadi perubahan dari waktu ke waktu. Hal ini disebabkan adanya pertumbuhan masyarakat yang semakin meningkat (Wardani et al., 2016) sehingga terjadi konversi ekosistem hutan menjadi pemukiman.

Selain itu, perubahan tutupan lahan mangrove dipengaruhi adanya kegiatan pertambakan, lahan perkebunan kelapa sawit, dan wisata (Dinas Kehutanan Provinsi Sumatera Utara, 2011).

Sistem Informasi dan Penginderaan Jauh

Sistem Informasi Geografis (SIG) merupakan sistem informasi spasial yang digunakan untuk memproses data yang bergeoreferensi dan lokasi penelitian yang akan diteliti. SIG berbasis web memungkinkan akan membantu memcahkan masalah tersebut, dengan begitu kita dapat melihat peta lokasi (Hamidi, 2012).

SIG didesain untuk menangkap, menyimpan, memanipulasi, menganalisa, mengatur dan menampilkan seluruh jenis data geografis (Irwansyah, 2013).

Penginderaan Jauh adalah ilmu dan seni untuk memperoleh informasi tentang obyek, daerah, atau gejala dengan jalan menganalisis data yang diperoleh dengan menggunakan alat tanpa kontak langsung terhadap obyek, daerah, atau gejala yang dikaji seperti halnya perubahan tutupan lahan. Penggunaan sensor radiasi elektromagnetik untuk merekam gambar lingkungan bumi yang dapat diinterpretasikan sehingga menghasilkan informasi yang berguna seperti pada diagram alir pada Gambar 1 (Syah, 2010).

(19)

Gambar 1. Sistem penginderaan jauh (Lillesand et al., 1993)

Citra SPOT

Karakteristik utama citra dalam penginderaan jauh yaitu adanya rentang kanal (band) dan panjang gelombang elektromagnetik yang dimilikinya. Citra SPOT (Systeme Pour l.Observation de la Terre) pertama kali beroperasi dengan pushbroom sensor CCD dengan kemampuan off-track viewing di ruang angkasa.

Resolusi spasial untuk pankromatik 1,5 meter dan visible (daerah tampak) memiliki 4 band multispectral (Prabowo et al., 2018) yang terdapat pada Tabel 1.

Tabel 1. Karakteristik citra SPOT

Rentang Kanal (band) Panjang Gelombang (nm) Resolusi (m)

Biru 450-520 6

Hijau 530-590 6

Merah 625-695 6

NIR 760-890 6

Pankromatik 450-745 1.5

Sumber : Prabowo et al. (2018)

Berdasarkan resolusi spasialnya, citra SPOT akan menghasilkan kenampakan objek secara lebih jelas. Oleh karena itu, pemisahan objek penutup lahan yang diamati seperti lahan tambak, lahan bekas tambak, mangrove, badan air, dan permukiman akan menghasilkan pola berbentuk kotak-kotak memanjang secara teratur dan jelas.

(20)

Klasifikasi Berbasis Objek

Awal dari klasifikasi berbasis objek dimulai dari tahun 1990an dengan nama Recognition. Recognition diaplikasikan pada data pengideraan jauh dengan menggunakan citra beresolusi tinggi (1-5 m) dan resolusi sangat tinggi (<1 m).

Objek yang dimaksud merupakan kumpulan dari beberapa piksel yang kemudian membentuk suatu kondisi pembeda terhadap sekitarnya (Julzarika dan Carolita, 2015). Klasifikasi berbasis objek terlebih dahulu harus menggunakan metode segmentasi. Tujuan dari segmentasi ini memisahkan antar objek klasifikasi dengan kondisi dan syarat tertentu.

Dalam literatur (Deswina et al., 2018), metode klasifikasi berbasis objek lebih unggul dibandingkan metode berbasis piksel. Hal ini didukung berdasarkan penelitian terdahulu yang mengemukakan perbandingan menggunakan metode berbasis objek dan berbasis piksel dalam pengembangan wilayah. Masing-masing menunjukkan keakurasian tertinggi pada metode berbasis objek (89%) sedangkan metode berbasis piksel (71%).

Tree Algorithm

Teori algorithm adalah deksripsi langkah-langkah penyelesaian masalah secara berurutan dalam pengambilan keputusan untuk memecahkan masalah (Latifah, 2016). Decision tree algorithm menghasilkan proses klasifikasi yang disesuaikan dengan data geografis seperti data tutupan lahan yang berbasis spasial. Melalui pemrosesan data digunakan sistem hierarki untuk penyederhanaan susunan pohon keputusan berdasarkan perolehan informasi (Nurpratami dan Sitanggang, 2015). Setiap keputusan membagi tiap pixel suatu citra menjadi hasi uji yang mereferensikan kelompok kelas tertentu (Awaliyan dan Sulistyoadi, 2018)

(21)

METODE PENELITIAN

Tempat dan Waktu Penelitian

Penelitian ini dilaksanakan pada bulan Desember 2019 sampai dengan April 2020, yaitu persiapan penelitian, pelaksanaan penelitian di lapangan, pengolahan data dan penyajian hasil. Penelitian dilaksanakan di kawasan Kecamatan Medan Belawan, Kotamadya Medan (Gambar 2). Analisis data dilakukan di Laboratorium Manajemen Hutan, Program Studi Kehutanan, Fakultas Kehutanan, Universitas Sumatera Utara.

Gambar 2. Peta lokasi penelitian di Kecamatan Medan Belawan

Bahan dan Alat

Bahan yang digunakan dalam penelitian ini adalah pemetaan secara spasial berupa pengambilan lokasi dari citra SPOT rekaman tahun 2018, tallysheet sebagai bahan pengambilan titik lokasi pada GPS serta beberapa data spasial lainnya yaitu peta administrasi. Berikut sumber data penelitian yang diperlukan disajikan didalam Tabel 2.

(22)

Tabel 2. Data penelitian

No Data Jenis data Sumber Akuisisi data

1. Titik validasi survey lapangan

Primer Pengukuran GPS 2019

2. Peta Batas Administrasi Kecamatan Medan Belawan

Sekunder Badan Informasi Geospasial (BIG)

2019

3. Citra SPOT-7 Sekunder Lembanga Penerbangan dan

Antariksa Nasional (LAPAN)

2018

Alat yang digunakan dalam penelitian ini adalah GPS (Global Positioning System), kamera digital, alat tulis, perangkat keras personal computer / netbook, Perangkat lunak ArcGIS 10.3, eCognition Developer 64, Microsoft Excel dan Microsoft Word.

Prosedur Penelitian

Prosedur kerja dalam penelitian klasifikasi tutupan lahan di Kecamatan Medan Belawan dilakukan untuk mengkajitipe tutupan lahan secara spasial dapat dilakukan dalam tahap yang digambarkan dalam diagram alir seperti Gambar 3 berikut ini

Gambar 3. Diagram alir penelitian

Koreksi geometric

Koreksi radiometrik

Citra terkoreksi

Segmentasi

Algoritma Decision Tree Peta Tutupan Lahan

berbasis objek

Training Area Ground Check

Pengumpulan Data

Informasi Spasial Tutupan Lahan Uji Akurasi

Titik Ground Check

Citra SPOT Rekaman tahun 2018

Scale 150 . shape: 0.1, compactness: 0.5

Scale 100 , shape: 0.1, compactness: 0.5

Scale 50 , shape: 0.1, compactness: 0.5

(23)

Pengumpulan Data

Pengambilan data diawali dengan survey lapangan. Hal ini bertujuan untuk memperoleh data dari lapangan berupa data tutupan lahan melalui kegiatan dokumentasi kondisi lapangan, marking titik di lapangan dengan menggunakan GPS, kemudian input data ke dalam tally sheet. Data yang digunakan adalah citra SPOT rekaman tahun 2018 dan peta administrasi Kecamatan Medan Belawan.

Cropping Citra

Cropping citra merupakan proses pemotongan citra agar sesuai dengan batas area yang dikehendaki. Kegiatan cropping citra bertujuan mempermudah klasifikasi sesuai area penelitian yaitu kawasan kecamatan Medan Belawan

Koreksi Geometrik

Koreksi geometrik dilakukan untuk menghilangkan distorsi geometri yang dapat diprediksi seperti faktor panorama, kelengkungan bumi, rotasi bumi dan variasi orientasi kamera selama pengamatan berlangsung. Setiap piksel pada bidang citra akan dipetakan menjadi titik-titik koordinat di permukaan bumi.

Langkah koreksi geometrik membutuhkan data posisi dan orientasi kamera yang diperoleh dari GPS (Hakim et al., 2012).

Koreksi Radiometrik

Koreksi radiometrik dilakukan untuk menghilangkan gangguan yang disebabkan oleh distorsi radiometrik pada saat perekaman data citra serta menghilangkan faktor-faktor yang dapat menurunkan kualitas citra (Prabowo et al., 2018). Koreksi radiometrik yang dilakukan berupa proses penajaman kontras (radiometric echancement). Penajaman kontras dilakukan dengan metode Histogram equalize.

(24)

Analisis Data Segmentasi Objek

Pada klasifikasi pemetaan berbasis objek (OBIA) langkah awal yang dilakukan adalah segmentasi. Metode segmentasi bertujuan untuk memisahkan objek klasifikasi dengan kondisi dan syarat tertentu (Julzarika dan Carolita, 2015).

Berdasarkan konsep dan tujuan dari klasifikasi tutupan lahan berbasis objek, metode segmentasi yang digunakan diharapkan sesuai dengan pemisahan objek tutupan lahan pada citra. Hasil segmentasi menggunakan algoritma segmentasi multiresolusi (Setiani et al., 2016). Adapun faktor yang mempengaruhi kondisi dan syarat pada segmentasi, yaitu skala, shape, dan compectness (eCognition Developer, 2011). Ketiga parameter tersebut kemudian diisi dengan nilai yang bervariasi untuk mendapatkan hasil segmentasi yang sesuai dengan klasifikasi citra.

Penerapan pendekatan OBIA dilakukan agar karakteristik objek yang diperoleh dari citra dapat ditambahkan dengan beberapa informasi tambahan seperti bentuk, tekstur, dan informasi lain terkait dengan objek. Klasifikasi OBIA terdiri dari dua tahap yaitu segmentasi dan klasifikasi. Tahap segmentasi menghasilkan segmen terbangun dari objek yang diperoleh pada citra yang dilanjutkan untuk proses klasifikasi (Blaschke, 2010). Proses klasifikasi dan segementasi objek dilakukan dengan menggunakan eCognition Developer 64 yang dapat dilihat pada Gambar 4.

Gambar 4. Diagram alir proses OBIA (Firmansyah et al., 2019) Citra Satelit

Peta Klasifikasi Pendekatan OBIA :

a. Segmentasi objek

b. Pengembangan aturan OBIA c. Klasifikasi citra

(25)

Klasifikasi Tutupan Lahan Berbasis Objek

Secara umum, proses klasifikasi berbasis objek dibagi menjadi dua tahapan utama yaitu segmentasi citra dan klasifikasi tiap segmen (Setiani et al., 2016). Klasifikasi berbasis Objek (OBIA) merupakan tahapan setelah segmentasi dan klasifikasi yang diperoleh dari decision tree algorithm. Hasil dari algoritma ini selanjutkan dilakukan dengan mengubah citra dalam format raster ke format vektor dengan menggunakan perangkat lunak ArcGIS 10.3 (Awaliyan dan Sulistyoadi, 2018) sehingga diperoleh hasil akhir berupa data luas tutupan lahan pada Kecamatan Medan Belawan.

Decision Tree Algorithm

Penerapan algoritma klasifikan tutupan lahan menggunakan decision tree untuk menghasilkan kelas klasifikasi. Algoritma decision tree merupakan struktur diagram dimana data akan direspresentasikan pada setiap node dalam atribut.

Pembuatan klasifikasi dengan model ini menggunakan struktur hierarki terhadap keputusan yang diperoleh (Prabowo et al., 2018) yang tertera seperti pada Gambar 5. Dalam pernyataan Zylshal et al. (2016) penggunaan algoritma decision tree harus menggunakan data tambahan seperti DEM dan informasi tekstur untuk meningkatkan hasil akurasi.

Gambar 5. Cara kerja decision tree (Firmansyah et al., 2019)

Training Area

Kegiatan pengecekan lapangan (training area) merupakan tahap mengidentifikasi area penelitian yang bertujuan untuk menguji akurasi dari klasifikasi decision tree (Awaliyan dan Sulistyoadi, 2018). Pada hal ini dipilih

T

T T

A T

A B

B C

(26)

objek citra yang tersegmentasi mewakili setiap kelas tutupan lahan berdasarkan data yang diperoleh di lapangan (Deswina et al., 2018).

Pengambilan titik di lapangan menggunakan metode purposive sampling.

Hal ini digunakan dengan mempertimbangkan aksesibiltas dan efisiensi biaya dalam penelitian sehingga dapat dilakukan secara efektif dan efisien. Pengambilan titik sampel diambil pada daerah yang relatif mudah dijangkau.

Uji Geostatistik

Proses ini bertujuan untuk mengamati nilai kestabilan objek pada hasil klasifikasi tutupan lahan berdasarkan nilai mean, standard deviasi, minimum dan maksimum. Metode uji goestatistik meliputi classification stability, best classification result, dan error matrix based on sample (eCognition Developer, 2011).

Classification stability merupakan operasi statistik dasar yang dilakukan pada nilai terbaik pada masing-masing kelas klasifikasi. Apabila nilai mean dan standard deviasi bernilai kecil pada parameter ini akan menghasilkan nilai korelasi mendekati satu untuk objek sama dan mendekati nol untuk objek berbeda. Secara keseluruhan akan menghasilkan nilai minimum dan maksimum bernilai kecil.

Best classification result merupakan output statistik dari hasil klasifikasi terbaik yang selanjutnya dievaluasi per kelas klasifikasi tutupan lahan. Pendekatan metode ini hampir menyerupai classification stability, perbedaan mendasar terletak pada pendekatan algoritma dengan mencari nilai maksimum pada setiap kelas objek klasifikasi. Nilai maksimum pada pendekatan ini diusahakan mencapai nilai satu sehingga secara tidak langsung nilai mean dan standard deviasi akan bertambah. Berdasarkan nilai mean dan standard deviasi maka akan menghasilkan nilai korelasi (r). Keterangan nilai korelasi dapat diamati pada Tabel 3.

Tabel 3. Interpretasi terhadap koefisien korelasi

Besar Koefisien Korelasi Keterangan

0,00 Tidak ada korelasi

0,01 – 0,20 Korelasi sangat lemah 0,21 – 0,40 Korelasi lemah 0,41 – 0,70 Korelasi sedang 0,71 – 0,99 Korelasi tinggi

1,00 Korelasi sempurna

Sumber : Astuti (2017)

(27)

Error matrix based on sample berasal dari input sampel secara manual dengan menyamakan antara objek sampel dan hasil klasifikasi dinyatakan dalam bagian sampel yang dianggap benar. Hasil output error matrix based on sample dapat diamati melalui matrix confussion (Julzarika dan Carolita, 2015).

Uji Akurasi

Uji akurasi dilakukan untuk membandingkan kelas-kelas tutupan lahan dalam hasil klasifikasi citra berdasarkan hasil pengambilan titik di lapangan.

Pengujian akurasi pada penelitian dengan menggunakan matriks kesalahan (confussion matrix) (Prabowo et al., 2018) yang tertera pada Tabel 4. dan akurasi keseluruhan untuk mengevaluasi akurasi pada tutupan lahan (Firmansyah et al., 2019). Pengujian akurasi akan menghasilkan nilai overall accuracy (keseluruhan), producer’s accuracy (akurasi produser), dan user’s accuracy (pengguna) (Deswina et al., 2018).

Tabel 4. Matriks Kesalahan (confussion matrix)

Klasifikasi Referensi Jumlah

Piksel

User’s Accuracy

A B C D

A Xii X+k Xkk/X+k

B C

D Xkk

Jumlah kolom Xk+ N

Proceducer’s

Accuracy Xkk/ Xk+

Adapun persamaan matematis akurasi confussion matrix sebagai berikut : Procedur’s accuracy = ^Xkk

Xk+

x 100%

User’s accuracy = ^Xkk

X+k

x 100%

Overall accuracy = ^∑Xkk

N

x 100%

Kappa accuracy = ^{N ∑ 𝑋𝑘𝑘}

𝑟𝑘 − ∑ 𝑋𝑘+. 𝑋+𝑘^𝑟_𝑘

𝑁²− ∑ 𝑋𝑘+. 𝑋+𝑘^𝑟_𝑘

x 100%

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

(28)

HASIL DAN PEMBAHASAN

Visualisasi Citra

Penelitian analisis tutupan lahan di Kecamatan Medan Belawan menggunakan data Citra SPOT 7 tahun perekaman 2018 menggunakan kombinasi band layer RGB 9-4-5 dan parameter linear.

Gambar 6. Visualisasi citra SPOT 7 tahun 2018 tampilan RGB 9,4,5

Visualisasi citra yang dihasilkan pada Citra SPOT 7 (Gambar 6) lebih tajam dan penampakan objek permukaan terlihat sangat jelas. Hal dijelaskan melalui pernyataan Suwargana (2013) bahwa resolusi spasial pada Citra SPOT 7 6 meter dan memiliki empat band multispektral. Pada saat perekaman, visualisasi citra terlihat awan yang menutupi sebagian objek permukaan lahan di Kecamatan Medan Belawan.

Karakteristik Tutupan Lahan

Berdasarkan pengamatan tutupan lahan yang dilakukan di lapangan diperoleh sebanyak 398 titik koordinat yang diklasifikasikan dalam 11 kelas penutupan lahan yang berbeda (Lampiran 1). Sedangkan klasifikasi kelas pada

(29)

Citra SPOT 7 terdiri dari 12 kelas. Klasifikasi tutupan lahan yang terlihat pada citra dan lapangan dapat diamati sebagai berikut:

1. Awan

Awan merupakan sekumpulan massa yang berasal dari tetesan air (kristal es) akibat dari proses pengembunan uap air yang terdapat di dalam udara dalam keadaan jenuh di atas permukaan bumi. Penampakan awan pada Citra SPOT berwarna putih yang sangat terlihat jelas diatas permukaan objek (Gambar 7).

Namun, menurut kondisi di lapangan, awan tidak merupakan tipe tutupan lahan.

Gambar 7. Penampakan visual awan (a) citra SPOT 7 (b) Kondisi di lapangan 2. Badan Air

Hamparan air yang meliputi laut dan sungai di permukaan bumi yang terlihat di Kecamatan Medan Belawan. Pada citra SPOT 7, penampakan visual air yang terlihat di citra berwarna hitam keabu-abuan dengan tekstur permukaan objek rata (Gambar 8).

Gambar 8. Penampakan visual badan air (a) citra SPOT 7 (b) Kondisi tipe tutupan lahan badan air di lapangan

a b

(30)

3. Industri

Kelas industri merupakan salah satu tipe tutupan lahan berupa lahan terbangun yang fungsinya sebagai bangunan kegiatan operasional. Secara visual, tutupan lahan industri pada citra SPOT 7 sangat jelas objeknya berupa bangunan (industri) secara langsung. Penampakan dari citra SPOT 7 sama halnya dengan penampakan di lapangan secara langsung jika dilihat dari atas (Gambar 9).

Gambar 9. Penampakan visual industri (a) citra SPOT 7 (b) kondisi tipe tutupan lahan industri di lapangan.

4. Jalan

Bentuk permukaan bumi buatan yang berupa hamparan tutupan secara memanjang. Penampakan objek jalan di citra SPOT 7 sama halnya dengan penampakan visual di lapangan jika dilihat dari atas, bertekstur halus dan berwarna keabuan (Gambar 10).

Gambar 10. Penampakan visual jalan (a) citra SPOT 7 (b) kondisi tipe tutupan lahan jalan di lapangan

a b

(31)

5. Kelapa Sawit

Tipe tutupan lahan kelapa sawit merupakan salah satu bagian jenis tanaman dari perkebunan secara homogen. Secara visual tutupan lahan perkebunan kelapa sawit pada citra SPOT 7 berupa hamparan berwarna cokelat dengan sebagian objek berwarna hijau gelap yang tersusun beraturan secara memanjang. Hal tersebut jelas terlihat dengan penampakan di lapangan jika diamati dari atas (Gambar 11)

Gambar 11. Penampakan visual kelapa sawit (a) citra SPOT 7 (b) kondisi tipe tutupan lahan kelapa sawit di lapangan

6. Lahan Terbangun

Kelas tutupan lahan berupa lahan terbangun secara visualnya berupa bangunan kontainer yang dapat dilihat dari citra SPOT 7 pada saat perekaman objek. Bentuk yang terlihat di citra SPOT 7 berupa sekumpulan bangunan tersusun (Gambar 12).

Gambar 12. Penampakan visual lahan terbangun (a) citra SPOT 7 (b) kondisi tipe tutupan lahan lahan terbangun di lapangan

7. Lahan Terbuka

Tipe tutupan lahan kelas lahan terbuka merupakan kawasan yang tidak ditumbuhi oleh vegetasi dan tidak terdapat bentuk objek buatan lainnya ataupun

a b

(32)

hanya ditumbuhi oleh rerumputan dan termasuk areal perkuburan. Pada penampakan visual di citra SPOT 7, tipe tutupan lahan terbuka dapat terlihat jelas seperti keadaan di lapangan berwarna keabu-abuan seperti pasir (Gambar 13).

Gambar 13. Penampakan visual lahan terbuka (a) citra SPOT 7 (b) kondisi tipe tutupan lahan lahan terbuka di lapangan

8. Mangrove

Menurut Saparinto (2007) mangrove merupakan vegetasi hutan yang tumbuh diantara garis pasang surut yang ditimbuni lumpur atau pantai berlumpur.

Hamparan tutupan lahan ini berupa vegetasi hutan mangrove yang terdiri dari vegetasi jenis Rhizophora sp., Avicennia sp., dan Nypa fruticans. Secara visual, penampakan mangrove sedang berwarna hijau dengan tekstur persebaran secara rapat tetapi dengan sebagian persebaran terlihat jarang, Penampakan pada citra dapat terlihat secara langsung dengan keadaan di lapangan jika dilihat dari atas (Gambar 14).

Gambar 14. Penampakan visual mangrove sedang (a) citra SPOT 7 (b) kondisi tipe tutupan lahan mangrove di lapangan

a b

(33)

9. Pelabuhan

Kelas tutupan lahan pelabuhan merupakan salah satu jenis lahan terbangun yang secara fungsional sebagai tempat jalur lintas pemberhentian transportasi laut.

Secara visual pada citra SPOT 7, tipe tutupan lahan pelabuhan terlihat seperti kondisi aslinya di lapangan yang dicirikan berwarna keabu-abuan dan terdiri dari objek transportasi laut maupun bangunan yang mendukung pada tutupan lahan tersebut (Gambar 15).

Gambar 15. Penampakan visual pelabuhan (a) citra SPOT 7 (b) kondisi tipe tutupan lahan pelabuhan di lapangan

10. Permukiman

Tipe tutupan lahan yang berupa hamparan lahan terbangun dapat berupa permukiman, sekolah, rumah dinas, pertokoan maupun perkantoran yang ada di Kecamatan Medan Belawan. Secara visual, penampakan tutupan lahan permukiman pada citra SPOT 7 terlihat sangat jelas seperti kondisi di lapangan jika diamati dari atas (Gambar 16).

Gambar 16. Penampakan visual permukiman (a) citra SPOT 7 (b) kondisi tipe tutupan lahan permukiman di lapangan

a b

(34)

11. Tambak

Kelas tutupan lahan yang berupa hamparan perairan dengan cakupan sempit yang secara fungsional digunakan sebagai tempat berkembangbiaknya hewan- hewan produksi seperti kepiting, udang, maupun ikan. Penampakan visual tambak pada citra SPOT 7 berupa perairan dengan bentuk objek persegi panjang. Hal tersebut sesuai dengan kondisi di lapangan secara langsung jika diamati dari atas permukaan (Gambar 17).

Gambar 17. Penampakan visual tambak aktif (a) citra SPOT 7 (b) kondisi tipe tutupan lahan tambak di lapangan

12. Vegetasi Lain

Kelas tutupan lahan berupa kumpulan vegetasi pohon yang tidak merupakan vegetasi mangrove seperti jenis Swietenia sp. yang secara visual terlihat jelas pada citra SPOT 7. Tampilan pada citra dicirikan dengan warna hijau ketuaan bertekstur halus (Gambar 18).

Gambar 18. Penampakan visual vegetasi lain (a) citra SPOT 7 (b) kondisi tipe tutupan lahan vegetasi lain di lapagan

a b

(35)

Segmentasi Objek

Segmentasi objek dilakukan sebagai pemisah objek klasifikasi dari klasifikasi tutupan lahan pada citra SPOT 7 dengan kondisi dan syarat tertentu.

Segmentasi objek dilakukan melalui aplikasi eCognition Developer 9.01 dengan menggunakan algoritma multiresolution segmentation. Segmentasi objek dipengaruhi oleh scale, shape, dan compactness dengan nilai yang bervariasi.

Parameter scale menunjukkan nilai maksimum heterogenitas yang dibolehkan dalam menghasilkan objek – objek citra. Shape merupakan parameter pembentuk objek pada citra secara tidak langsung dapat menentukan kriteria warna pada citra.

Sementara compactness merupakan tekstur atau kekompokkan yang terbentuk dari objek secara optimum (eCognition Developer, 2011).

Pada penelitian klasifikasi tutupan lahan berbasis objek, parameter segmentasi yang digunakan yakni scale 150, scale 100, dan scale 50 dengan masing-masing parameter komposisi shape 0,1 dan compactness 0,5. Ketiga parameter ini diisi nilai bervariasi untuk menghasilkan segmentasi yang sesuai dalam klasifikasi citra. Nilai scale yang digunakan untuk mengamati sejauh mana rentang objek dapat terklasifikasi. Nilai shape diberi 0,1 merupakan batas nilai minimum bentuk objek yang tersegmen, sedangkan parameter compactness diberi nilai 0,5 merupakan nilai batas minimum kekompakkan tekstur objek yang terbentuk. Apabila compactness diberi nilai kurang dari 0,5 maka tekstur yang dihasilkan oleh objek sangat halus sehingga sulit untuk membedakan antarobjek lainnya.

Perbandingan jumlah objek yang diperoleh dapat diamati dari masing- masing skala. Semakin kecil nilai segmentasi maka jumlah objek tersegmen akan semakin banyak, demikian sebaliknya (Tabel 5). Hal ini menunjukkan bahwa untuk mendapatkan tingkat kedetailan poligon klasifikasi tutupan lahan yang semakin tinggi maka nilai skala segmentasi yang diperlukan semakin kecil.

(36)

Tabel 5. Segmentasi objek tipe tutupan lahan di Kecamatan Medan Belawan Tipe

Tutupan Lahan

Segmentasi Objek Scale 150; shape 0,1;

comp 0,5

Scale 100; shape 0,1;

comp 0,5

comp 0,5 Awan

448 objek 710 objek 1.365 objek

Badan Air

Industri

Jalan

83 objek 229 objek 718 objek

Kelapa Sawit

(37)

Tabel 5 (Lanjutan) Tipe

Tutupan Lahan

comp 0,5

comp 0,5 Lahan

Terbangun

Lahan Terbuka

Mangrove

Pelabuhan

Permukiman

179 objek

391 objek 1.748 objek

(38)

Tabel 5 (Lanjutan) Tipe

Tutupan Lahan

comp 0,5

comp 0,5 Tambak

Vegetasi Lain

Tidak terklasifikasi

52 objek 104 objek

369 objek Total Objek 1.740 objek 3.600 objek 12.418 objek

Segmentasi objek dengan parameter skala yang berbeda-beda menghasilkan beberapa karakteristik objek dari citra berdasarkan bentuk (shape) dan tekstur (compactness) terkait objek itu sendiri. Tahapan segmentasi ini sesuai dengan pernyataan Blaschke (2010) bahwa penerapan pendekatan OBIA melalui tahap segmentasi menghasilkan segmen terbangun dari objek yang diperoleh untuk dilanjutkan ke proses klasifikasi.

Objek terbanyak pada segmentasi skala 150 dan skala 100 adalah tutupan lahan pada kelas awan. Segmentasi skala 150 dan skala 100 masing-masing awan tersegmentasi menjadi 448 objek dan 710 objek. Berbeda dengan segmentasi skala 50, objek terbanyak terdapat pada tutupan lahan kelas permukiman yaitu 1.748 objek. Walaupun nilai shape dan compactness menggunakan nilai yang sama untuk skala yang berbeda, objek dapat tersegmen secara terpisah berdasarkan nilai masing-masing skala.

(39)

Segmentasi objek terbanyak pada skala 50, shape 0,1 compactness 0,5 menghasilkan 12.418 objek, sementara perolehan objek paling sedikit pada segmentasi skala 150 shape 0,1 compactness 0,5 yaitu 1.740 objek. Hal ini mencirikan bahwa semakin kecil skala yang digunakan dalam tahap segmentasi, maka semakin banyak objek yang dihasilkan.

Hasil Klasifikasi Berbasis Objek

Klasifikasi tutupan lahan berdasarkan pendekatan Object Based Image Analysis (OBIA) dilakukan dengan tahapan awal segmentasi objek agar terbentuk segmen-segmen objek yang sesuai berdasarkan pengelompokkan data dari titik lapangan (training area). Pembuatan training area dikatakan berhasil apabila segmen-segment objek yang dikelompokkan dapat terpisah dengan baik.

Pengambilan sample kelas tutupan lahan berbasis objek menggunakan pendekatan algoritma Classification Nearest Neighboar.

Hasil klasifikasi tutupan lahan di Kecamatan Medan Belawan menggunakan metode berbasis OBIA pada segmentasi skala 150 shape 0,1 compactness 0,5 (Gambar 19). Wilayah terluas terdapat pada tutupan lahan kelas mangrove seluas 1.169,85 ha dengan persentase 39,66% dari total luas wilayah penelitian. Sedangkan hasil klasifikasi tutupan lahan terendah pada tutupan lahan kelas vegetasi lain seluas 17,28 ha dengan persentase 0,59% (Tabel 6).

Berbeda dengan hasil klasifikasi tutupan lahan menggunakan skala segmentasi 100 shape 0,1 compactness 0,5 (Gambar 20). Wilayah kajian terluas terdapat pada tutupan lahan kelas mangrove dengan luas 1.096 ha dengan persentase 37,19% dari total luas wilayah kajian. Tutupan lahan kelas kelapa sawit merupakan hasil klasifikasi dengan luasan terendah yaitu 13,90 ha dengan persentase wilayah 0,47% dari total luas wilayah (Tabel 6).

Klasifikasi tutupan lahan berbasis objek untuk skala segmentasi 50 shape 0,1 compactness 0,5 menghasilkan beberapa kelas segmen objek yang lebih terperinci dibanding segmentasi skala 150 dan 100 (Gambar 21). Luas tutupan lahan terbesar yaitu tutupan lahan kelas mangrove dengan luas 1.039,3 ha dengan persentase sebesar 35,23% dari total luas wilayah kajian. Sedangkan untuk hasil klasifikasi tutupan lahan terkecil pada kelas kelapa sawit dengan luas 7,99 ha dengan persentase sebesar 0,27% dari total luas wilayah kajian (Tabel 6).

(40)

Gambar 19. Peta tutupan lahan hasil klasifikasi objek Kec. Medan Belawan menggunakan skala 150; shape 0,1; compactness 0,5

(41)

Skala yang digunakan dalam proses klasifikasi tutupan lahan berbasis OBIA menghasilkan luas wilayah objek yang berbeda-beda. Hasil tersebut dijelaskan oleh Setiani et al. (2016) dengan melalui dua tahapan utama yaitu segmentasi citra dan klasifikasi tiap segmen objek.

Perbedaan jumlah objek perkelas setiap parameter skala menghasilkan luasan yang berbeda pada masing-masing skala. Perbedaan tersebut menjelaskan bahwa setiap kelas tutupan lahan mengalami perubahan luas pada setiap skala segmentasi yang digunakan (Tabel 6).

Tabel 6. Luasan kelas tutupan lahan skala segmentasi 150, 100, dan 50

Tutupan Lahan

Skala Segmentasi 150 Skala Segmentasi 100 Skala Segmentasi 50 Luas (Ha) Persentase

(%) Luas (Ha) Persentase

(%) Luas (Ha) Persentase (%)

Awan 272,07 9,22 270,32 9,16 244,56 8,29

Badan Air 232,77 7,89 269,57 9,14 345,06 11,70

Industri 196,18 6,65 122,31 4,15 112,60 3,82

Jalan 124,05 4,21 145,80 4,94 129,15 4,38

Kelapa Sawit 20,41 0,69 13,90 0,47 7,99 0,27

Lahan

Terbangun 49,03 1,66 47,69 1,62 42,95 1,46

Lahan

Terbuka 156,65 5,31 221,02 7,49 262,23 8,89

Mangrove 1169,85 39,66 1096,94 37,18 1039,30 35,23

Pelabuhan 80,83 2,74 80,88 2,74 94,72 3,21

Permukiman 333,09 11,29 287,75 9,75 267,74 9,08

(42)

Lanjut 6 (Lanjutan)

Tutupan Lahan

Skala Segmentasi 150 Skala Segmentasi 100 Skala Segmentasi 50 Luas (Ha) Persentase

(%) Luas (Ha) Persentase

(%) Luas (Ha) Persentase (%)

Tambak 297,75 10,09 365,59 12,39 359,23 12,18

Vegetasi Lain 17,28 0,59 28,19 0,96 44,43 1,51

Total 2949,96 100 2949,96 100 2949,96 100

Masing-masing skala segmentasi menghasilkan luas kelas tutupan lahan yang berbeda. Luasan tutupan lahan pada masing-masing skala segmentasi dengan tutupan lahan terluas terdapat pada kelas tutupan lahan mangrove dan luasan terendah pada kelas tutupan lahan kelapa sawit (Gambar 22). Hal ini menjelaskan bahwa tutupan lahan di Kecamatan Medan Belawan didominasi oleh tipe tutupan mangrove.

Gambar 22. Grafik luas kelas tutupan lahan skala segmentasi 150, 100, dan 50 Algoritma Decision Tree

Setiap kelas tutupan lahan digunakan untuk pembuatan tree algorrithm.

Tree algorithm yang digunakan untuk menentuan sampel dalam proses klasifikasi tutupan lahan berbasis objek yaitu algoritma pohon keputusan (Decision tree).

Pembuatan skema decision tree pada Gambar 23 ditentukan dengan mempertimbangkan parameter segmentasi dari region segmen objek yang dijadikan sampel untuk proses klasifikasi tutupan lahan berbasis OBIA.

0 200 400 600 800 1000 1200 1400

Luas (Ha)

Skala Segmentasi 50 Skala Segmentasi 100 Skala Segmentasi 150

(43)

Gambar 23. Algrotima Decision tree pada klasifikasi tutupan lahan di Kecamatan Belawan dengan citra SPOT 7 tahun perekaman 2018 Data (Citra SPOT 7)

Awan Non-awan

Badan Air (1)

Badan Air (2) Tambak

Vegetasi Non-Vegetasi

Mangrove Non-

Mangrove

Kelapa Sawit Vegetasi