ANALISIS PERBANDINGAN SEGMENTASI OMN DAN RGO DALAM PENDEKATAN OBIA UNTUK KLASIFIKASI PENUTUPAN DAN PENGGUNAAN LAHAN DI KABUPATEN SUMEDANG
DOI:
https://doi.org/10.29244/jitl.27.2.131-139Kata Kunci:
compactness, OBIA, scale, shapeAbstrak
Informasi mengenai penutupan/penggunaan lahan memiliki peran penting dalam analisis biofisik wilayah, perencanaan tata ruang, pengelolaan sumber daya, dan perumusan kebijakan pembangunan berkelanjutan. Untuk mendukung kebutuhan tersebut, klasifikasi citra penginderaan jauh yang akurat menjadi krusial. Pendekatan Object-Based Image Analysis (OBIA) dinilai lebih unggul dibandingkan klasifikasi berbasis piksel karena mampu menghasilkan akurasi yang lebih tinggi serta meminimalkan efek salt and pepper. Keberhasilan klasifikasi berbasis objek dipengaruhi oleh metode segmentasi yang digunakan. Dalam penelitian ini, dua pendekatan segmentasi, yaitu Original Multiresolution Segmentation (OMN) dan Region Grow on Object (RGO), dikaji berdasarkan kombinasi parameter segmentasi dan dievaluasi akurasinya melalui algoritma klasifikasi Random Forest (RF). Hasil segmentasi menunjukkan bahwa pendekatan OMN menghasilkan objek yang lebih kecil dan detail, namun cenderung terfragmentasi, sedangkan pendekatan RGO menghasilkan objek yang lebih besar dan tergeneralisasi dengan kestabilan spasial yang lebih tinggi. Berdasarkan klasifikasi berbasis objek menggunakan segmentasi RGO pada parameter scale 0.5, diperoleh tujuh kelas penutupan/penggunaan lahan, dengan tiga kategori dominan yaitu perkebunan (50,393 ha), tanah terbuka (29,658 ha), dan sawah (27,092 ha). Akurasi klasifikasi RGO tercatat lebih tinggi dibandingkan OMN pada seluruh konfigurasi parameter, dengan nilai kedekatan terhadap data BPS tahun 2024 khususnya pada kelas sawah yang tercatat sebesar 30,038 ha. Temuan ini menunjukkan bahwa pendekatan RGO lebih efektif dalam menghasilkan segmentasi dan klasifikasi yang representatif untuk pemetaan penggunaan lahan.
Unduhan
Referensi
Akcay, O., E.O. Avsar, M. Inalpulat, L. Genc and A. Cam. 2018. Assessment of Segmentation Parameters for Object-Based Land Cover Classification Using Color-Infrared Imagery. ISPRS International Journal of Geo-Information, 7(11): 424. https://doi.org/10.3390/ijgi7110424 DOI: https://doi.org/10.3390/ijgi7110424
Ardiansyah, M., K. Munibah dan S.N. Saniinah. 2023. Klasifikasi fase tumbuh padi dengan pendekatan berbasis objek menggunakan citra sentinel- 2. J. Il. Tan. dan Ling., 25(2): 78 – 85. doi: http://dx.doi.org/10.29244/jitl.25.2.78-85 DOI: https://doi.org/10.29244/jitl.25.2.78-85
Attri, P., S. Chaudhry and S. Sharma. 2015. Remote sensing and GIS based approaches for LULC change detection – a review. Int. J. Curr. Eng. and Tech., 5(5): 3126 – 3137.
Belgiu, M. and L. Drăguţ. 2016. Random Forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing. 114: 24–31. https://doi.org/10.1016/j.isprsjprs.2016.01.011 DOI: https://doi.org/10.1016/j.isprsjprs.2016.01.011
Blaschke, T., C. Burnett and A. Pekkarinen. 2005. Image Segmentation Methods for Object-based Analysis and Classification. In Remote Sensing Image Analysis: Including the Spatial Domain. DOI: https://doi.org/10.1007/978-1-4020-2560-0_12
Blaschke, T., G.J. Hay, M. Kelly, S. Lang, P. Hofmann, E. Addink and D. Tiede. 2014. Geographic object-based image analysis – Towards a new paradigm. ISPRS Journal of Photogrammetry and Remote Sensing, 87: 180–191. DOI: https://doi.org/10.1016/j.isprsjprs.2013.09.014
Blaschke, T. 2010. Object based image analysis for remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing, 65(1): 2–16. https://doi.org/10.1016/j.isprsjprs.2009.06.004 DOI: https://doi.org/10.1016/j.isprsjprs.2009.06.004
[BPS]. 2024. Provinsi Jawa Barat dalam Angka 2024. Jawab Barat (ID): Badan Pusat Statistik
Candra, I.D., V.P. Siregar dan S.B. Agus. 2017. Pemetaan zona geomorfologi dan habitat bentik di Pulau Kotok Besar menggunakan klasifikasi berbasis objek. J. Tekno. Perikan. dan Kelaut., 8(2): 209-219. doi:10.24319/jtpk.8.209-219. DOI: https://doi.org/10.24319/jtpk.8.209-219
Congalton, R.G. and K. Green. 2009. Assessing the Accuracy of Remotely Sensed Data: Principles and Practices. 2nd ed. CRC Press. DOI: https://doi.org/10.1201/9781420055139
Congedo, L. 2021. Semi-Automatic Classification Plugin Documentation Release 7.9.7.1.
Drăguţ, L. and C. Eisank. 2012. Automated object-based classification of topography from SRTM data. Geomorphology, 141–142: 21–33. DOI: https://doi.org/10.1016/j.geomorph.2011.12.001
Engrila, H.M., S.K. Putri dan N. Arifian. 2022. Monitoring perubahan tutupan lahan dengan metode OBIA pada citra sentinel – 2A tahun 2017 – 2021 (studi kasus: Kecamatan Sungai Rumbai, Kabupaten Dharmasyara). JAGAT, 6(1): 264 – 270
Fajarendra, Y.I., Y.R. Fauzan dan S. Uyun. 2024. Klasifikasi citra eurosat menggunakan algoritma k-nn, decision tree, dan random forest. JATI, 8(4): 7754 – 7761. DOI: https://doi.org/10.36040/jati.v8i4.10458
Foody, G.M. 2002. Status of land cover classification accuracy assessment. Remote Sensing of Environment, 80(1): 185–201. DOI: https://doi.org/10.1016/S0034-4257(01)00295-4
GIS Geography. 2023. Pixel-based vs object-based classification in remote sensing. Diakses dari: https://gisgeography.com/pixel-vs-object-based-classification/
Grybas, H., L. Melendy and R.G. Congalton. 2017. A comparison of unsupervised segmentation parameter optimization approaches. GIScience & Remote Sensing, 54(4): 515–533. DOI: https://doi.org/10.1080/15481603.2017.1287238
Hossain, M.D. and D. Chen. 2019. Segmentation for object-based image analysis (OBIA): A review of algorithms and challenges from remote sensing perspective. ISPRS Journal of Photogrammetry and Remote Sensing, 150: 115–134. https://doi.org/10.1016/j.isprsjprs.2019.02.009 DOI: https://doi.org/10.1016/j.isprsjprs.2019.02.009
Johnson, B.A., M. Bragais, I. Endo and D.B. Macandog. 2015. Image Segmentation Parameter Optimization Considering Within- and Between-Segment Heterogeneity. ISPRS Int. J. Geo-Inf., 4(4): 2292–2305 DOI: https://doi.org/10.3390/ijgi4042292
Koman, W.A.F., A.S. Izza and D. Candraningtyas. 2022. Perbandingan Parameter Segmentasi OBIA dalam Klasifikasi Tutupan Lahan. Jurnal Paradigma: Jurnal Multidisipliner Mahasiswa Pascasarjana Indonesia, 3(2): 104–13
Li, Q., C. Wang, B. Zhang and L. Lu. 2015. Object-based crop classification with Landsat-MODIS enhanced time-series data. Remote Sens., 7(12): 16091 – 16107 DOI: https://doi.org/10.3390/rs71215820
Lillesand, T.M. and R.W. Kiefer. 2015. Remote Sensing and Image Interpretation. 7th ed. Wiley.
Marlina, D. 2022. Klasifikasi tutupan lahan pada citra Sentinel-2 Kabupaten Kuningan dengan NDVI dan algoritma random forest. STRING, 7(1): 41 - 49 DOI: https://doi.org/10.30998/string.v7i1.12948
Marwati, A., Y. Prasetyo dan A. Suprayogi. 2018. Analisis perbandingan klasifikasi tutupan lahan kombinasi data point cloud lidar dan foto udara berbasis metode segmentasi dan supervised (sudi kasus: Tanggamus Lampung). J. Geod. Undip., 7(1): 36 – 45
Oka, W.B. and Pradono. 2011. Risk threats in a creative funding scheme for infrastructure project in Indonesia : Cileunyi-Sumedang-Dawuan toll road project case. Journal of Civil Engineering and Architecture, 5(1) : 89 – 96. DOI: https://doi.org/10.17265/1934-7359/2011.01.010
Purboyo, A.A., A. Kurniawan dan L. Muta’ali. 2024. Analisis spasial temporal perubahan tutupan lahan di Kawasan Perkotaan Cekungan Bandung berbasis Google Earth Engine. J. Pendidik. Geogr. Undiksha., 12(2):251–260. doi: https://doi.org/10.23887/jjpg.v12i02.75526 DOI: https://doi.org/10.23887/jjpg.v12i02.75526
Sampurno, R.M. dan A. Thoriq. 2016. Klasifikasi tutupan lahan menggunakan citra landsat 8 Operational Land Imager (OLI) di Kabupaten Sumedang. J. Teknotan., 10(2): 61 – 70. doi: https://doi.org/10.24198/jt.vol10n2.9 DOI: https://doi.org/10.24198/jt.vol10n2.9
Sugiarti, A.L. 2017. The relationship of the Jatigede Dam construction towards socio-economic conditions on farming community in the district of Jatigede-Sumedang. International Research Journal of Education and Sciences, 1(2) : 15 – 20.
Timisela, W.A., G. Mardiatmoko dan G. Puturuhu. 2020. Analisis jenis mangrove menggunakan citra UAV dengan Klasifikasi OBIA. J. Hutan-Hutan Kecil, 4(2): 132–149. DOI: https://doi.org/10.30598/jhppk.2020.4.2.132
Wang, M., J. Wang, Y. Cui, J. Liu and L. Chen. 2022. Agricultural field boundary delineation with satellite image segmentation for high-resolution cropmapping: a case study of rice paddy. Agronomy, 12. doi: https://doi.org/10.3390/agronomy12102342 DOI: https://doi.org/10.3390/agronomy12102342
Weih, R.C. and N.D. Riggan. 2009. A comparison of pixel-based and object-based classification methods for land cover mapping. GIScience & Remote Sensing, 46(4): 387–399.
Zhang, C., Y. Liu and N. Tie. 2023. Forest land resource information acquisition with Sentinel-2 image utilizing support vector machine, k-nearest neighbor, random forest, decision trees and multi-layer perceptron. Forests, 14(2): 254. doi: https://doi.org/10.3390/f14020254 DOI: https://doi.org/10.3390/f14020254
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Jurnal Ilmu Tanah dan Lingkungan
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Departemen Ilmu Tanah dan Sumberdaya Lahan, Fakultas Pertanian, IPB University
