KAJIAN METODE SEGMENTASI UNTUK IDENTIFIKASI TUTUPAN LAHAN DAN LUAS BIDANG TANAH MENGGUNAKAN CITRA PADA GOOGLE EARTH (Studi Kasus : Kecamatan Tembalang, Semarang)

Abstract

ABSTRAK

Penginderaan jauh berkembang pesat pada saat ini, baik data, metode dalam pengolahannya dan juga diimbangi dengan pemanfaatannya. Pada penelitian ini metode pengolahan yang digunakan  yaitu object base image analysis (OBIA). Metode Obia terdiri dari dua tahapan yaitu segmentasi dengan algoritma multiresolution dan klasifikasi dengan metode Nearest Neighbor. Adapun tujuan dari penelitian ini adalah mengkaji metode tersebut untuk mengidentifikasi luas tutupan lahan, dengan data yang digunakan citra dari Google Earth tahun 2013 dengan resolusi 0,59 meter.

Proses segmentasi dengan parameter skala 200, kekompakan 0,7 dan bentuk 0,3 pada lokasi penelitian kecamatan Tembalang mengasilkan 8.981 segmen dan pada proses klasifikasi menghasilkan 6 kelas yaitu Lahan terbangun seluas 1.258,253 ha, lahan terbuka seluas 1.146,848 ha, vegetasi hijau seluas 1.180,467 ha, badan air seluas 12,524 ha, persawahan seluas 232,614 ha, ladang seluas 314,495 ha. Besar akurasi keseluruhan 99,678%, Kappa (0,9). Dalam perhitungan validasi luas sawah dengan skala 7, bentuk 0,2 dan kekompakan 0,8, menghasilkan besar ketelitian 59,62 m².

Sebagai kesimpulan, segmentasi dan klasifikasi nearest neighbor menghasilkan tingkat akurasi dan kepercayaan tinggi, tetapi tidak dapat digunakan dalam kajian untuk menentukan luas bidang tanah.

Kata Kunci: Algoritma Multiresolution, Google Earth, Klasifikasi Nearest Neighbor, Segmentasi, Tutupan Lahan.

ABSTRACT

Remote sensing has been developing nowdays, either the data, the methods of processing and also the utilization. The method that is used in this research is Object Base Image Analysis (OBIA). Obia method is through in two main phases, multiresolution algorithm and Nearest neighbor classification. Object of this research is to examine the method to identification the large of landcover data by using imagery from Google Earth in 2013 with resolution 0.59 meters.

Parameters of process segmentation used scale 200, 0,7 compactness, 0,3 shape in Tembalang District  produced 8.981 segments and process of classified produced into 6 classes, those are 1.258,253 hectares land of manmad, 1.146,848 hectares open field, 1.180,467 hectares vegetation, 12,524 hectares  water body, 232,614 hectares farm area and 314,495 hectares estate area. The result of overall accuracy produced 99,678 %, Kappa (0,9). In calculation validation of farm area with scale by 7, 0,2 shape and 0,8 compactness, produced accuracy in 59,62 meters².

As conclusion, Segmentation and classification nearest neighbor has a high accuracy and get high level of confidence, but can’t using for to examine the large of farm area.

Keywords: Google Earth, Landcover, Multiresolution Algorithm, Nearest Neighbor Classification, Segmentation.

^*) Penulis, Penanggung Jawab