ANALISIS PERBANDINGAN KLASIFIKASI TUTUPAN LAHAN KOMBINASI DATA POINT CLOUD LIDAR DAN FOTO UDARA BERBASIS METODE SEGMENTASI DAN SUPERVISED

Abstract

ABSTRAK

Indonesia merupakan negara kepulauan yang terdiri dari pulau-pulau yang membentang dari Sabang hingga Merauke. Pemerintah saat ini merencanakan pembagunan fisik secara cepat untuk seluruh kawasan Negara Kesatuan Republik Indonesia. Strategi pembangunan fisik secara cepat tentu saja memerlukan adanya peta. Peta terdiri dari peta dasar dan peta tematik. Salah satu contoh dari peta tematik adalah peta tutupan lahan. Upaya pemerintah untuk menuntaskan kebijakan one map policy membuat kebutuhan akan sumber daya manusia geospasial semakin meningkat sedangkan masih sedikit sumber daya manusia yang tersedia. Hal ini menyebabkan diperlukannya sebuah metode yang relatif lebih cepat dan efektif untuk pengklasifikasian tutupan lahan.

Saat ini telah banyak dikembangkan metode klasifikasi untuk tutupan lahan menggunakan data penginderaan jauh, diantaranya klasifikasi berbasis piksel dan klasifikasi berbasis objek. Klasifikasi berbasis piksel salah satunya dengan metode supervised dan klasifikasi berbasis objek dapat dilakukan dengan metode segmentasi. Segmentasi dalam konteks OBIA (Object-Based Image Analysis) dapat diartikan sebagai proses pengelompokan dari piksel-piksel bertetangga ke dalam area atau segmen berdasarkan kemiripan kriteria seperti digital number atau tekstur. Pada kedua metode ini dapat dibedakan antara kelas vegetasi, air dan sebagainya. Dari algoritma segmentasi multiresolusi yang telah dilakukan untuk data LiDAR didapatkan nilai parameter skala 90, bentuk 0,3, kekompakkan 0,7. Sedangkan untuk data foto udara nilai parameter skala sebesar 250, bentuk 0,3 dan kekompakkan 0,5. Pada data foto udara menghasilkan 7.930 segmen dengan nilai overall acuracy 93,907%. Kemudian untuk data LiDAR menghasilkan 7.960 segmen dengan nilai overall acuracy sebesar 92,810%. Metode supervised dilakukan dengan kelas yang sama yaitu 12 kelas untuk foto udara dan 7 kelas untuk LiDAR. Berdasarkan hasil supervised foto udara didapatkan nilai overall accuracy sebesar 83,530%. Sedangkan LiDAR hanya sebesar 64,595% untuk nilai overall accuracy.

Penelitian ini diharapkan dapat menambah wawasan yang bermanfaat bagi penelitian selanjutnya serta menjadi referensi bagi pemerintah dalam melakukan klasifikasi tutupan lahan dengan data point cloud dan foto udara.

Kata Kunci : Klasifikasi, LiDAR, OBIA, Segmentasi, Supervised

ABSTRACT

Indonesia is an archipelagic country with extending islands from Sabang to Merauke. The government is currently planning on a rapid physical development for each region of The Unitary State of Republic of Indonesia. Rapid physical development indeed needs a map. Map consists of base map and thematic map. One of the thematic maps is land cover map. Government’s effort on completing the one map policy causing the increasing needs of geospatial human resources while available human resources are limited. As a result a relatively fast and effective method is needed in land cover classification.

Classifying land cover methods with remote sensing data are currently much developed, like pixel and object-based land cover classifications. Some of the pixel-based classification methods, supervised and object-based classification can be done with segmentation method. In OBIA (Object-Based Image Analysis) context, segmentation is a process of grouping neighborhood pixels into one area (or segment) based on characteristic similarities such as digital number or texture. From both of the methods it is enabled to differentiate between classes of vegetation, water, etc. Based on the completed multi-resolution segmentation algorithm, LiDAR data obtained parameter scale value of 90, shape 0.3, compactness 0.7. Whereas aerial image data obtained parameter scale value of 250, shape 0.3 and compactness 0.5. The aerial image generaed 7.930 segments wirh overall accuracy value of 93,9077%. Lidar data obtained 7.960 segments with overall accuracy value of 92,810%. Supervised method is completed with same amount of 12 classes for aerial image and 7 classes for LiDAR. Based on the supervised aerial image overall accuracy of 85.530% is generated. Meanwhile LiDAR only generated overall accuracy of 64.595%.

It is hoped that this research can contribute in useful insights for the next upcoming research and also as a reference for the government in classifying land covers with point cloud data and aerial images.

Keywords: Classification, LIDAR, OBIA, Segmentation, Supervised