PENDEKATAN INTERPRETASI VISUAL DAN DIGITAL CITRA PLEIADES UNTUK KLASIFIKASI PENUTUP LAHAN
Abstract
Abstrak: Citra Pleiades sebagai citra resolusi tinggi mampu menyediakan ketersediaan data penggunaan lahan secara lengkap, efektif, efisien, dan akurat. Dalam hal ini, pemilihan pendekatan interpretasi menjadi bagian penting karena berpengaruh pada kualitas data yang dihasilkan. Kajian ini bertujuan membandingkan kualitas data hasil interpretasi citra secara digital dengan interpretasi visual. Pendekatan interpretasi digital dilakukan melalui klasifikasi supervised maximum likelihood sementara interpretasi visual melalui 9 kunci interpretasi. Analisis hasil interpretasi selanjutnya dilakukan perbandingan terhadap kualitas data meliputi aspek kelengkapan data, keakuratan data melalui confusion matrix, konsistensi data, dan ketepatan waktu. Hasil analisis menunjukkan pendekatan interpretasi citra secara visual menghasilkan data penggunaan lahan yang lebih baik dari aspek kelengkapan data dan keakuratan data hingga mencapai 97,83 %, sementara pada analisis digital tingkat akurasi hanya 70,65 %. Dari hasil analisis ini maka interpretasi visual lebih tepat digunakan pada wilayah sempit karena memiliki akurasi lebih tinggi serta kelengkapan data dan ketelitian perhitungan luas lebih baik, sedangkan interpretasi citra secara digital dinilai lebih baik dari segi konsistensi data dan ketepatan waktu sehingga lebih baik digunakan pada wilayah yang luas untuk penyusunan peta skala menengah dengan lingkup kabupaten/provinsi.
Abstract: Pleiades image as a high-resolution image is able to provide complete, effective, efficient, and accurate land use data availability. In this case, the choice of interpretation method becomes an important part because it affects the quality of the data produced. This study aims to compare the quality of data resulting from digital image interpretation with visual interpretation. The digital interpretation method is carried out through the supervised maximum likelihood classification while visual interpretation is carried out through 9 interpretation keys. Analysis of the results of interpretation is then performed to compare the quality of the data including aspects of data completeness, data accuracy through a confusion matrix, data consistency, and timeliness. The results of the analysis show that the visual image interpretation method produces better land use data in terms of data completeness and data accuracy up to 97.83%, while in digital analysis the accuracy rate is only 70.65%. From the results of this analysis, visual interpretation is more appropriate to use in narrow areas, while digital image interpretation is considered better in terms of data consistency and timeliness so that it is better used in large areas for medium-scale map preparation with district / provincial scope.
Keywords
Full Text:
PDFReferences
Artika, EA, Darmawan, A, Hilmanto, R. (2019). Perbandingan Metode Maximum Likelihood Clasification (MLC) dan Object Oriented Classification (OOC) dalam Pemetaan Tutupan Mangrove di Kabupaten Lampung Selatan. Jurnal Hutan Tropis, 7(3), 1–9.
Ayunita, P., Taufik, M., & Dariatna, D. (2004). Kajian Pembuatan Peta Dasar Pendaftaran Dengan Citra Satelit Quickbird. 1–4.
Cintya, H. A. W., Taufik, M., & Kurniawan, A. (2017). Penggunaan Citra Satelit Resolusi Tinggi Untuk Pembuatan Peta Dasar Skala 1:5.000 Kecamatan Ngadirojo, Kabupaten Pacitan. Jurnal Teknik ITS, 6(2). https://doi.org/10.12962/j23373539.v6i2.23562
Danoedoro, P. (2015). Pengaruh Jumlah dan Metode Pengambilan Titik Sampel Penguji terhadap Tingkat Akurasi Klasifikasi Citra Digital Penginderaan Jauh. Simposium Nasional Sains Geoinformasi Ke-4, November 2015.
Dwiranata, D., Pramita, D., & Syaharuddin, S. (2019). Pengembangan Media Pembelajaran Matematika Interaktif Berbasis Android Pada Materi Dimensi Tiga Kelas X SMA. Jurnal Varian, 3(1), 1–5. https://doi.org/10.30812/varian.v3i1.487
Hamdir, ardhian nur rahman wal, & Herumurti, S. (2014). Studi Perbandingan Klasifikasi Multispektral Maximum Likelihood Dan Support Vector Machine Untuk Pemetaan Penutup Lahan. Jurnal Geodesi UGM, 1–7.
Hapsari, E., & Murti, S. H. (2015). Klasifikasi Berbasis Objek pada Citra Pleiades untuk Pemetaan Ketersediaan Ruang Terbuka Hijau di Perkotaan Purwokerto 2013. Pertemuan Ilmiah Tahunan MAPIN XX 2015, July, 244–254.
Jia, K., Wu, B., Tian, Y., Zeng, Y., & Li, Q. (2011). Vegetation classification method with biochemical composition estimated from remote sensing data. International Journal of Remote Sensing, 32(24), 9307–9325. https://doi.org/10.1080/01431161.2011.554454
Kushardono, D. (2017). Klasifikasi Penutup/Penggunaan Lahan Dengan Data Satelit Penginderaan Jauh Hiperspektral (Hyperion) Menggunakan Metode Neural Network Tiruan. Jurnal Penginderaan Jauh Dan Pengolahan Data Citra Digital, 13(2), 85–96. https://doi.org/10.30536/j.pjpdcd.2016.v13.a2516
Li, S., Tang, H., Huang, X., Mao, T., & Niu, X. (2017). Automated detection of buildings from heterogeneous VHR satellite images for rapid response to natural disasters. Remote Sensing, 9(11). https://doi.org/10.3390/rs9111177
Lillesand, T. M., & Kiefer, R. W. (1979). Remote sensing and image interpretation. Remote Sensing and Image Interpretation. https://doi.org/10.2307/634969
Manalu, R. J., Sutanto, A., & Trisakti, B. (2016). Perbandingan Metode Klasifikasi Penutup Lahan Berbasis Piksel Dan Berbasis Obyek Menggunakan Data PiSAR-L2. Jurnal Penginderaan Jauh Dan Pengolahan Data Citra Digital, 13(1), 49–60. https://doi.org/10.30536/j.pjpdcd.2016.v13.a2561
Marini, Y., Hawariyah, S., & Hartuti, M. (2014). Perbandingan Metode Klasifikasi Supervised Maximum Likelihood Dengan Klasifikasi Berbasis Objek Untuk Inventarisasi Lahan Tambak di Kabupaten Maros. Prosiding Seminar Nasional Penginderaan Jauh 2014, November, hal. 505-516. http://sinasinderaja.lapan.go.id/files/sinasja2014/prosiding/bukuprosiding_505-516.pdf
Noviar, H. (2013). Pemanfaatan Kanal Polarisasi Dan Kanal Tekstur Data Pisar-L2 Untuk Klasifikasi Penutup Lahan Kawasan ( Utilization of Polarization and Texture Bands of Pisar-L2 Data for Land Cover Classification in Forest Area Using Supervised Classification Method ). Jurnal Penginderaan Jauh, 10(1), 47–58.
Parmadi, W. T., & Sukojo, B. M. (2016). Analisa Ketelitian Geometrik Citra Pleiades Sebagai Penunjang Peta Dasar RDTR (Studi Kasus: Wilayah Kabupaten Bangkalan, Jawa Timur). Jurnal Teknik ITS, 5(2). https://doi.org/10.12962/j23373539.v5i2.17213
Parsa, I. M. (2013). Optimalisasi Parameter Segmentasi Untuk Pemetaan Lahan Sawah Menggunakan Citra Satelit Landsat Tanggamus , Lampung ) ( Parameter Optimization of Segmentation for Wetland Mapping Using Landsat Satellite Image ( Case Study Padang Pariaman-West Sumatera , an. Jurnal Penginderaan Jauh, 10(1), 29–40.
Sari, N. M., & Kushardono, D. (2014). Klasifikasi Penutup Lahan Berbasis Obyek pada Data Foto Uav untuk Mendukung Penyediaan Informasi Penginderaan Jauh Skala Rinci. Pengindraan Jauh, 11(2), 114–127. http://jurnal.lapan.go.id/index.php/jurnal_inderaja/article/view/2128/1929
Septiani, R., Citra, I. P. A., & Nugraha, A. S. A. (2019). Perbandingan Metode Supervised Classification dan Unsupervised Classification terhadap Penutup Lahan di Kabupaten Buleleng. Jurnal Geografi : Media Informasi Pengembangan Dan Profesi Kegeografian, 16(2), 90–96. https://doi.org/10.15294/jg.v16i2.19777
Silalahi, U. (2015). Metode Penelitian Sosial Kuantitatif. Journal of Visual Languages & Computing, 11(3), 287–301.
Somantri, L. (2016). Kemajuan Teknologi Penginderaan Jauh Serta Aplikasinya Dibidang Bencana Alam. Jurnal Geografi Gea, 10(1). https://doi.org/10.17509/gea.v10i1.1661
Sucipto, L., & Syaharuddin, S. (2018). Konstruksi Forecasting System Multi-Model untuk pemodelan matematika pada peramalan Indeks Pembangunan Manusia Provinsi Nusa Tenggara Barat. Register: Jurnal Ilmiah Teknologi Sistem Informasi, 4(2), 114. https://doi.org/10.26594/register.v4i2.1263
Sugiyono. (2017). Penelitian Kuantitatif. Pemaparan Metodenpenelitian Kuantitatif, 2, 16.
Sulyantara, D. H., Siwi, S. E., Prabowo, Y., Brahmantara, R. P., Ulfa, K., Teknologi, P., Data, D., & Jauh, P. (2018). Algoritma Haze Detection Dengan Menggunakan Haze Index Pada Citra Spot 6/7 (Haze Detection Algorithm Using Haze Index on Spot 6/7 Imagery). Jurnal Penginderaan Jauh Dan Pengolahan Data Citra Digital, 15(2), 93–100. https://doi.org/10.30536/j.pjpdcd.2018.v15.a3060
Susiati, H., & Subagio, H. (2016). Jurnal Pengembangan Energi Nuklir Aplikasi Penginderaan Jauh Dalam Pemetaan Penggunaan. Pengembangan Energi Nuklir, 18(2), 101–112.
Syaharuddin, S., & Ibrahim, M. (2017). Aplikasi Sistem Informasi Desa Sebagai Teknologi Tepat Guna Untuk Pendataan Penduduk Dan Potensi Desa. JMM (Jurnal Masyarakat Mandiri), 1(1), 60. https://doi.org/10.31764/jmm.v1i1.14
Syofian Siregar. (2013). Statistika parametrik untuk penelitian kuantitatif. In Bumi aksara.
Trisakti, B., Nugroho, U. C., & Zubaidah, A. (2016). Burned Area Identification Using Landsat 8. ICOIRS 2016: The 2nd International Conference of Indonesian Society for Remote Sensing, 405–414.
Utami, W., Artika, I. G. K., & Arisanto, A. (2018). Aplikasi Citra Satelit Penginderaan Jauh untuk Percepatan Identifikasi Tanah Terlantar. Bhumi : Jurnal Agraria Dan Pertanahan, 4(1), 53–66.
Utomo, P. S., S, C. N., & Handayani, H. H. (2018). Analisis Pemanfaatan Citra Satelit Alos-Prism Sebagai Dasar Pembuatan Peta Pendaftaran Tanah (Studi Kasus : Desa Babalan, Kecamatan Gabus, Kabupaten Pati). Geoid, 7(1), 79–85. https://doi.org/10.12962/j24423998.v7i1.4224
DOI: https://doi.org/10.31764/geography.v10i1.7028
Refbacks
- There are currently no refbacks.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
GEOGRAPHY : Jurnal Kajian Penelitian & Pengembangan Pendidikan
Email: [email protected] | p-ISSN 2339-2835 | e-ISSN 2614-5529
EDITORIAL OFFICE: