Proses Segmentasi pada Object Based Image Analysis (OBIA) untuk Pemetaan Lahan Basah

Muhammad Alfiansyah, Yulia Dewi Fazlina, Muhammad Rusdi

Abstract


Abstrak. Pengelolaan lahan basah untuk pertanian sangat penting untuk kepentingan nasional. Sistem penataan lahan dan penentuan jenis komoditas di lahan basah sangat bergantung pada jenis lahan dan kondisi air. Salah satu metode yang dapat digunakan untuk mengidentifikasi lahan basah adalah Object Based Image Analysis (OBIA). Penelitian ini dilakukan untuk mengetahui tingkat akurasi pemetaan jenis lahan basah. Penelitian dilakukan melalui beberapa tahap, yaitu persiapan, pra pengolahan citra, analisis data, segmentasi dan klasifikasi, uji akurasi. Pada penelitian ini proses klasifikasi yang telah dilakukan mendapatkan 3 level kelas klasifikasi yaitu pada level 1 berupa lahan basah dengan luas 3.881,17 ha dan non basah dengan luas 5.542,45 ha, level 2 berupa lahan basah pertanian dengan luas 3.511,82 ha dan non basah pertanian dengan luas 369,04 ha, level 3 berupa jenis lahan basah pertanian yang terdiri dari rawa dengan luas 1.582,69 ha, sawah dengan luas 307,49 ha dan tambak dengan luas 1.621,64 ha. Uji Akurasi pemetaan lahan basah dan non basah adalah 100% dengan nilai kappa 1, kelas lahan basah pertanian dan non pertanian adalah 93% dengan nilai kappa 0,85 dan pada jenis lahan basah pertanian sebesar 98% dengan nilai kappa 0,97, dimana hasil uji akurasi tersebut termasuk kedalam kelas sangat kuat.

Application of Object Based Image Analysis (OBIA) for Mapping Wetlands in the Northern City of Medan

Abstract. Wetland management for agriculture is of national importance. The land structuring system and determination of commodity types in wetlands are highly dependent on land type and water conditions. One method that can be used to identify wetlands is Object Based Image Analysis (OBIA). This research was conducted to determine the level of accuracy of mapping wetland types. The research was conducted through several stages, namely preparation, image pre-processing, data analysis, segmentation and classification, accuracy testing. In this study, the classification process that has been carried out gets 3 levels of classification classes, namely at level 1 in the form of wetlands with an area of 3,881.17 ha and non-wetlands with an area of 5,542.45 ha, level 2 in the form of agricultural wetlands with an area of 3,511.82 ha and non-wetlands with an area of 369.04 ha, level 3 in the form of agricultural wetlands consisting of swamps with an area of 1,582.69 ha, rice fields with an area of 307.49 ha and ponds with an area of 1,621.64 ha. Accuracy test of wet and non-wetland mapping is 100% with a kappa value of 1, agricultural and non-agricultural wetland classes are 93% with a kappa value of 0.85 and on the type of agricultural wetlands of 98% with a kappa value of 0.97, where the accuracy test results are included in the very strong class.


Keywords


Segmentasi; OBIA; lahan Basah; klasifikasi; Segmentation; OBIA; wetlands; classification

Full Text:

PDF

References


Apriliani, D., dan Murinto. 2013. Analisis Perbandingan Teknik Segmentasi Citra Digital Menggunakan Metode Level Set Chan & Vese dan Lankton. Jurnal Informatika. 7(2): 802–810.

Burke, M., Driscoll, A., Lobell, D. B., & Ermon, S. (2021). Using satellite imagery to understand and promote sustainable development. Science, 371(6535).

Cut Arifa R., Yulia D. F. & Sugianto. 2022. Pemetaan Tanaman Padi Di Kabupaten Pidie Menggunakan Object Based Image Analysis (Obia). Universitas Syiah Kuala. Banda Aceh.

Ikhsan. 2008. Akuntansi Lingkungan dan Pengungkapannya. Yogyakarta: Graha Ilmu.

Kesuma A., Rusdi M. & Sugianto., 2021. Proses Segmentasi Citra Satelit Untuk Pemetaan Tutupan Lahan. Universitas Syiah Kuala. Banda Aceh.

Landis, J.R., Koch GC (1977) The measurement of observer agreement for categorical data. Biometrics 33:159–174.

Mastu, L.K., B. Nababan & J.P. Panjaitan. 2018. Pemetaan Habitat Bentik Berbasis Objek Menggunakan Citra Sentinel-2 di Perairan Pulau WangiWangi, Kabupaten Wakatobi. J. Ilmu dan Teknologi Kelautan Tropis, 10(2):381-396

Mutiara R., Rusdi M. & Karim A., 2022. Proses Segmentasi Pada Object Based Image Analysis. Universitas Syiah Kuala. Banda Aceh.

Najiyati S., Muslihat L. and Suryadiputra., 2005. Panduan Pengelolaan Lahan Gambut Untuk Pertanian Berkelanjutan. Bogor.

Setiani, A., Prasetyo, Y., & Subiyanto, S. 2016. Optimalisasi Parameter Segmentasi Berbasis Algoritma Multiresolusi Untuk Identifikasi Kawasan Industri Antara Citra Satelit Landsat dan ALOS PALSAR (Studi Kasus: Kecamatan Tugu Dan Genuk, Kota Semarang). Jurnal Geodesi UNDIP. 5(4): 112–121.

Soesanti, I., Susanto, A., Widodo, T. S., & Tjokronegoro, M. 2010. Analisis Komputasi Pada Segmentasi Citra Medis Adaptif Berbasis Logika Fuzzy Teroptimasi. Forum teknik. 33(2): 89–96.

Wibowo, W.T., 2010. Studi Komparasi Klasifikasi Multispektral dengan Klasifikasi Berorientasi Objek untuk Ekstraksi Penutup lahan: Menggunakan Citra AlosAvnir-2 dan Citra Alos Pan-Sharpened. Skripsi, Universitas Gadjah Mada., Yogyakarta, Indonesia.

Wibowo, T.S., & R. Suharyadi. 2012. Aplikasi Object-Based Image Analysis (OBIA) untuk deteksi perubahan penggunaan lahan menggunakan Citra ALOS AVNIR-2. Jurnal Bumi Indonesia. 1(3): 131-138.

Xiaoxia, S., Jixian, Z., & Zhengjun, L., 2004. A Comparison of Object-Oriented and Pixel- Based Classification Approachs Using Quickbird Imagery.Chinese Academy of Surveiing and Mapping,Beijing, China.




DOI: https://doi.org/10.17969/jimfp.v8i4.27944

Refbacks

  • There are currently no refbacks.


 


JIM Agribisnis|JIM Agroteknologi|JIM Peternakan|JIM Teknologi Hasil Pertanian|JIM Teknik Pertanian|
JIM Ilmu Tanah|JIM Proteksi Tanaman|JIM Kehutanan


E-ISSN: 2614-6053 2615-2878 Statistic Indexing | Citation


Alamat Tim Redaksi:
Fakultas Pertanian,Universitas Syiah Kuala
Jl. Tgk. Hasan Krueng Kalee No. 3, Kopelma Darussalam,
Banda Aceh, 23111, Indonesia.
Email:jimfp@usk.ac.id