Jurnal Fisika: Seri Konferensi

KERTAS • AKSES TERBUKA

Membandingkan Klasifikasi Berbasis Objek dan Berbasis Piksel untuk Pemetaan

Habitat Bentik di Kepulauan Pari
Untuk mengutip artikel ini: A Anggoro dkk 2018 J. Phys .: Konf. Ser. 1114 012049

Lihat artikel online untuk pembaruan dan peningkatan.

Konten ini diunduh dari alamat IP 139.81.105.234 pada 08/12/2018 pukul 01:14
WMA-Mathcomtech 2018 Penerbitan IOP
IOP Conf. Seri: Jurnal Fisika: Conf. Seri 1114 ( 2018) 012049
1234567890 '' "" doi: 10.1088 / 1742-6596 / 1114/1/012049

Membandingkan Klasifikasi Berbasis Objek dan Berbasis Piksel

untuk Pemetaan Habitat Bentik di Kepulauan Pari

Seorang Anggoro 1, E Sumartono 2 *, Wakil Presiden Siregar 3, SB Agus 3, D Purnama 3,

Supriyono 4, DA Puspitosari 5, T Listyorini 6, B Sulistyo 7 dan Parwito 8
1,5 Jurusan Ilmu Kelautan, Fakultas Pertanian, Universitas Bengkulu,
Indonesia
2Jurusan Sosial Ekonomi Pertanian, Fakultas Pertanian, Universitas
Bengkulu, Indonesia
3Departemen Ilmu dan Teknologi Kelautan, Institut Pertanian Bogor,
Indonesia
4 Departemen Pendidikan Geografi, Universitas Prof Dr Hazairin SH,
Indonesia
5 Departemen Teknik Lingkungan, Universitas Bakrie, Indonesia
6 Departemen Informatika, Universitas Muria Kudus, Indonesia
7 Departemen Ilmu Tanah dan Ilmu Kelautan, Universitas Bengkulu,
Indonesia
8Departemen Agroteknologi, Fakultas Pertanian, Universitas Ratu
Samban, Indonesia

* eko_sumartono@unib.ac.id

Abstrak. Metode klasifikasi berbasis objek yang sesuai untuk citra satelit resolusi tinggi
Worldview-2 memberikan alternatif yang valid untuk metode berbasis piksel. Penelitian ini
membandingkan hasil klasifikasi berbasis objek hingga berbasis piksel untuk peta habitat
bentik di pulau Pari DKI Jakarta-Indonesia. Pendekatan berbasis objek melibatkan segmentasi
data gambar menjadi objek pada berbagai tingkat skala. Objek penelitian adalah menetapkan
kelas menggunakan objek pelatihan untuk mendukung klasifikasi mesin vektor (klasifikasi
berbasis objek dan berbasis piksel). Habitat kebenaran dasar untuk penilaian akurasi
menggunakan matriks kebingungan dari kedua klasifikasi dilakukan berdasarkan 230 situs
referensi. Segmentasi yang dioptimalkan dilakukan untuk mendapatkan hasil klasifikasi yang
optimal. Hasil penelitian menunjukkan, akurasi klasifikasi berbasis objek secara keseluruhan
adalah 75%, Sedangkan klasifikasi berbasis piksel menghasilkan akurasi keseluruhan yang
rendah yaitu 61%. Penelitian ini menyarankan agar teknik berbasis objek dapat menjadi
pendekatan yang menjanjikan untuk pemetaan habitat bentik, dimana informasi yang
diperoleh dari penelitian ini lebih akurat.

1. Perkenalan
Kepulauan merupakan suatu kawasan yang memiliki keunikan secara geomorfologi dan habitat bentik di sekitar
perairan dangkal. Kepulauan Pari merupakan gabungan dari pulau-pulau kecil yang geomorfologi terbentuk oleh proses
lautan dengan bentang alam yang cukup bervariasi. Kepulauan Pari memiliki beberapa ekosistem pesisir yang
merupakan habitatnya yang menempati wilayah perairan laut dangkal. Kemudian pada habitat bentik terdapat terumbu
karang, lamun, spons, alga, pasir, sedimen, pecahan batu dan batuan (biotik dan abiotik). Informasi tentang habitat
bentik sangat penting untuk diketahui, karena dapat dimanfaatkan untuk berbagai macam

Konten dari karya ini dapat digunakan di bawah persyaratan Lisensi Creative Commons Attribution 3.0 . Distribusi lebih lanjut dari
karya ini harus mempertahankan atribusi ke penulis dan judul karya, kutipan jurnal dan DOI.
Diterbitkan di bawah lisensi oleh IOP Publishing Ltd 1
WMA-Mathcomtech 2018 Penerbitan IOP
IOP Conf. Seri: Jurnal Fisika: Conf. Seri 1114 ( 2018) 012049
1234567890 '' "" doi: 10.1088 / 1742-6596 / 1114/1/012049

perlu. Metode yang memungkinkan untuk menentukan informasi menggunakan teknologi penginderaan
jauh satelit. Pemetaan lingkungan terumbu karang pada zona geomorfik dan habitat bentik digunakan
sebagai informasi dasar untuk perencanaan dan pengembangan suatu kawasan menuju pemanfaatan
yang optimal [1].
Penerapan metode klasifikasi dari data penginderaan jauh telah digunakan dan menunjukkan
akurasi pemetaan zona geomorfik dan habitat bentik yang berbeda. Hasil citra satelit yang diperoleh
perlu dipastikan tingkat akurasinya melalui proses pengujian atau benchmarking dengan sejumlah
metode yang ada [2] [3]. Proses benchmarking ini juga dimaksudkan untuk memastikan efisiensi
dalam proses penginderaan jauh [4]. Perbedaan akurasi pemetaan tergantung pada lokasi,
kompleksitas habitat yang dipelajari, metode klasifikasi dan skema yang digunakan [5]. Metode
klasifikasi umum menggunakan klasifikasi berbasis piksel, sedangkan metode berbasis objek (OBIA)
masih sangat terbatas aplikasinya. Pendekatan OBIA diharapkan dapat meningkatkan akurasi untuk
habitat bentik dan pemetaan zona geomorfik [6].
Metode klasifikasi multispektral sebagian besar pada kriteria yang digunakan adalah nilai spektral seluruh kanal (band). Metode
klasifikasi diterapkan untuk mengekstrak informasi berdasarkan kebutuhan pengguna seperti pemetaan sumber daya yang ada di darat
(terestrial) dan perairan (perairan). Banyak penelitian telah menggunakan citra satelit untuk pemetaan habitat bentik, antara lain klasifikasi
citra multispektral QuickBird di perairan laut telah mampu untuk peta habitat bentik [7]. Pemetaan habitat perairan dangkal dan estimasi
stok ikan karang menggunakan citra Worldview-2 [8]. Pemantauan status lingkungan terumbu karang [9]. Evaluasi multi-situs data IKONOS
untuk klasifikasi lingkungan terumbu karang tropis [10]. Pemetaan zona geomorfik ekosistem terumbu karang dengan metode OBIA, studi
kasus di Pulau Pari [11]. Pemetaan geomorfologi dan ekologi terumbu karang [12]. Namun dalam pemanfaatan teknologi ini terdapat
kesulitan dan permasalahan khusus yaitu pengaruh permukaan air dan kedalaman perairan terhadap reflektansi dasar perairan [5], [5].
Masalah lain adalah menentukan metode klasifikasi citra dengan akurasi yang baik dari peta yang dihasilkan [14]. Penelitian ini bertujuan
untuk membandingkan klasifikasi berbasis piksel dan berbasis objek menggunakan citra Worldview-2. Manfaat penelitian ini diharapkan
dapat menjadi pertimbangan dalam pengelolaan ekosistem terumbu karang secara berkelanjutan. Masalah lain adalah menentukan
metode klasifikasi citra dengan akurasi yang baik dari peta yang dihasilkan [14]. Penelitian ini bertujuan untuk membandingkan klasifikasi
berbasis piksel dan berbasis objek menggunakan citra Worldview-2. Manfaat penelitian ini diharapkan dapat menjadi pertimbangan dalam
pengelolaan ekosistem terumbu karang secara berkelanjutan. Masalah lain adalah menentukan metode klasifikasi citra dengan akurasi
yang baik dari peta yang dihasilkan [14]. Penelitian ini bertujuan untuk membandingkan klasifikasi berbasis piksel dan berbasis objek
menggunakan citra Worldview-2. Manfaat penelitian ini diharapkan dapat menjadi pertimbangan dalam pengelolaan ekosistem terumbu karang secara berkelanju

2. Bahan-bahan dan metode-metode

Penelitian ini dilakukan di Kecamatan Pari Island Kepulauan Seribu. Survei lapangan dilakukan pada bulan Maret
2014. Materi yang digunakan dalam penelitian ini adalah citra multispektral Worldview-2 yang diperoleh
pada 28 Agustus th, 2012 dengan data meta. Metode yang digunakan dalam penelitian ini terdiri dari
metode transek foto kuadrat (identifikasi data lapangan), koreksi atmosfer dan geometri (preprocessing
citra Worldview-2), metode klasifikasi berbasis piksel dan berbasis objek menggunakan support vector
machine, dan uji akurasi (Gambar 1).

Gambar 1. Lokasi penelitian dan citra Worldview-2. Titik merah dan hijau menunjukkan bidang
poin obdervasi

2
WMA-Mathcomtech 2018 Penerbitan IOP
IOP Conf. Seri: Jurnal Fisika: Conf. Seri 1114 ( 2018) 012049
1234567890 '' "" doi: 10.1088 / 1742-6596 / 1114/1/012049

Penelitian ini menggunakan teknik berbasis piksel dan berbasis objek yang
diaplikasikan pada citra WorldView-2 (WV2). Koreksi atmosfer FLAASH diimplementasikan
pada WV2 dan digunakan sebagai input image layer (IIL). Mesin vektor pendukung (SVM)
diaplikasikan sebagai algoritma klasifikasi untuk kedua teknik tersebut. Pendekatan
berbasis objek melibatkan segmentasi data gambar menjadi objek pada berbagai tingkat
skala. Objek penelitian diberi kelas menggunakan objek traning untuk mendukung
klasifikasi mesin vektor (klasifikasi berbasis objek dan berbasis piksel). Habitat kebenaran
dasar untuk penilaian akurasi menggunakan matriks kebingungan dari kedua klasifikasi
dilakukan berdasarkan 230 situs referensi. Segmentasi yang dioptimalkan dilakukan untuk
mendapatkan hasil klasifikasi yang optimal.

3. Hasil dan Pembahasan

3.1. Klasifikasi Habitat Bentik

Klasifikasi citra Worldview-2 menggunakan mesin support vector menghasilkan 9 kelas substrat
habitat bentik. Mengkategorikan habitat bentik ke dalam 9 kelas substrat yaitu karang hidup (KH),
karang hidup + pecahan (KHR) lamun + pasir (LjPs), lamun padat (Lp), pasir (Ps), pasir + lamun padat
(PsLj), pasir + rubble (PsR), trotoar / batuan (Pv), dan rubble (R) (Gambar 2).

SEBUAH

Kelas Habitat Bentik

Komposit citra Wawasan-2 532

Gambar 2. Hasil klasifikasi metode berbasis piksel (A) dan metode basis objek (B)

Hasil klasifikasi menggunakan metode berbasis piksel menunjukkan banyak kesalahan klasifikasi terutama pada
daerah dengan kompleksitas tinggi. Salah klasifikasi ditunjukkan pada kelas rubble (R) yang terdapat pada zona terumbu
karang dan rataan terumbu luar, sedangkan biasanya habitat bentik yang menempati zona ini adalah kelas rubble,
karang hidup, karang hidup + pecahan, pasir + makroalga dan lamun. Metode berbasis objek sangat memungkinkan
untuk diterapkan berdasarkan prinsip ekologi yang dikombinasikan dengan observasi lapangan.

3
WMA-Mathcomtech 2018 Penerbitan IOP
IOP Conf. Seri: Jurnal Fisika: Conf. Seri 1114 ( 2018) 012049
1234567890 '' "" doi: 10.1088 / 1742-6596 / 1114/1/012049

3.2. Membandingkan Akurasi

Pendekatan validasi menghitung akurasi keseluruhan dan individu dari setiap produk peta menggunakan
metode dan perangkat validasi standar. Dalam melakukan penilaian ini menggunakan jenis citra satelit
yang sama dan analisis data lengkap yang dihasilkan menghasilkan data yang valid [15]. Transek kuadrat
foto dan komposisi terkait serta penilaian persentase tutupannya menggabungkan data citra satelit
resolusi spasial yang sangat tinggi. Hasil penelitian menunjukkan, akurasi keseluruhan klasifikasi berbasis
objek adalah 75%, sedangkan klasifikasi berbasis piksel menghasilkan akurasi keseluruhan yang rendah
yaitu 61% (Tabel 1). Akurasi keseluruhan dari hasil habitat bentik 61% dengan metode pixelbase.
Sedangkan akurasi pengguna dan produsen bervariasi dari 6% -100%. Akurasi produsen pada tingkat
terendah Sand Sparse Seagrass (LJPS) sebesar 9%. Kelas ini tersebar di sekitar puncak terumbu dan rataan
terumbu luar, Sedangkan pengamatan lapangan bahwa kelas habitat yang mendominasi pada zona ini
adalah karang hidup, puing-puing, dan perkerasan jalan sehingga terjadi kesalahan hasil klasifikasi. Hasil
klasifikasi sesar pada grade lain juga ditemukan sebagai rubble (R) merupakan kelas karang hidup rubble +
(KHR) karena kesamaan komposisi bentik habitat adalah akurasi penghasil 30% dan akurasi pengguna
35%.
Akurasi keseluruhan habitat bentik adalah 75% dari hasil metode object-base. Sedangkan akurasi
pengguna dan produsen bervariasi antara 44% -100%, dan terlihat bahwa beberapa kelas habitat bentik
dapat dipetakan dengan baik. Kelas habitat bentik yang tidak dapat dipetakan dengan baik diperoleh
akurasi yang rendah dari masing-masing kelas adalah KHR (37%), LJPS (47%), dan R (48%). Faktor yang
mempengaruhi rendahnya akurasi karena kompleksitas habitat sangat tinggi di wilayah studi. Faktor lain
akibat korespondensi antara akurasi GPS dengan citra resolusi spasial.

Tabel 1. Hasil akurasi dari pixel-base dan object-base; Akurasi keseluruhan (OA),
Akurasi Produsen (PA), Akurasi Pengguna (UA)
Ketepatan Dasar piksel Basis objek
Kelas PA UA PA UA
KH 91% 95% 87% 98%
KHR 53% 35% 47% 39%
LjPs 9% 6% 64% 47%
Lp 71% 57% 71% 86%
Ps 48% 96% 96% 89%
PsLj 25% 22% 44% 100%
PsR 100% 54% 67% 59%
Pv 79% 60% 84% 67%
R 30% 88% 52% 48%
OA 61% 75%

Tingginya nilai akurasi berbasis objek dalam penelitian ini juga dipengaruhi oleh penggunaan data
masukan. Semakin banyak nomor input data yang digunakan dalam proses klasifikasi berbasis objek,
maka hasil klasifikasi yang dihasilkan semakin akurat [16]. Pemetaan habitat bentik di Kepulauan Pari telah
banyak dilakukan dengan metode klasifikasi dan hasil akurasi yang bervariasi. Metode klasifikasi
umumnya digunakan untuk metode klasifikasi berbasis piksel, sedangkan metode klasifikasi berbasis
objek belum pernah dilakukan di bidang ini. Siregar dkk. [ 14] Pelaporan pemetaan habitat perairan dangkal
dan estimasi stok ikan karang menggunakan citra worldview-2 dengan klasifikasi berbasis piksel
(klasifikasi kemungkinan maksimum) menghasilkan akurasi keseluruhan sekitar 78%. Kongo dan Hijau [4]
Melakukan pendekatan zona geomorfologi untuk meningkatkan akurasi Dari peta tematik yang dihasilkan
dari metode koreksi kolom substrat air Gobah Karang Lebar menunjukkan bahwa kombinasi tersebut
cukup akurat untuk digunakan sebagai dasar dalam pembuatan peta dasar substrat di perairan Gobah.
Hasil akurasi peta zona geomorfologi dan substrat dasar di Gobah Karang Lebar masing-masing adalah
82,1% dan 68,8%. Menurut [6] menyarankan bahwa

4
WMA-Mathcomtech 2018 Penerbitan IOP
IOP Conf. Seri: Jurnal Fisika: Conf. Seri 1114 ( 2018) 012049
1234567890 '' "" doi: 10.1088 / 1742-6596 / 1114/1/012049

akurasi pemetaan habitat bentik yang dapat digunakan dengan akurasi keseluruhan> 60%.
Perbedaan akurasi pemetaan pada beberapa kelompok penelitian di Pulau Pari disebabkan
perbedaan metode klasifikasi, jumlah titik pengamatan lapangan, jumlah kelas habitat bentik
dan citra yang digunakan. Hasil dalam penelitian ini akurasi keseluruhan 75% kelas sembilan
dan hasil klasifikasi peta habitat bentik dapat digunakan.
Membandingkan akurasi peta yang diperoleh dari piksel klasifikasi dan metode basis objek. Penerapan
metode object-base mampu meningkatkan akurasi percobaan pemetaan habitat bentik dengan beberapa
parameter. Hasil uji akurasi tertinggi pada metode object-base yaitu 75% dan Z-test = 27.1442. Akurasi
metode dan piksel secara keseluruhan berbasis objek, masing-masing 75% dan 61%. Akurasi keseluruhan
ditingkatkan menggunakan metode object-base 14%. Congalton dan Green [4] menyatakan bahwa untuk
menentukan rasio antara dua atau lebih akurasi pemetaan pada klasifikasi citra adalah dengan
menganalisis Kappa dan Z-test. Perbandingan keseluruhan metode objectbase menunjukkan hasil yang
lebih tinggi daripada metode berbasis piksel. Metode klasifikasi berbasis objek menghasilkan akurasi
keseluruhan tertinggi yaitu 75% (Tabel 2).
Meja 2. Perbandingan nilai akurasi

IIL Akurasi Keseluruhan Perbedaan Uji-Z Tes Kappa

Dasar piksel 61% 0,0007 21.5650 0,5528
Basis objek 75% 0,0007 27.1442 0.7062

Penelitian sebelumnya melaporkan bahwa metode OBIA dan klasifikasi kontekstual lebih
akurat daripada metode piksel dari Landsat 7 ETM + adalah metode OBIA berjumlah
68,7% sedangkan metode piksel 44,8% dan citra Quickbird metode OBIA sebesar 83,5% sedangkan
metode piksel sebesar 59,1% [17]. Penerapan metode OBIA secara signifikan meningkatkan akurasi
keseluruhan dibandingkan metode piksel pada pemetaan habitat bentik terumbu karang menggunakan
Landsat 8 OLI dan merekomendasikan penggunaan algoritma SVM metode OBIA dengan akurasi
keseluruhan 73% [18].
Metode klasifikasi berbasis objek dapat menjadi pilihan saat ini untuk pemetaan habitat bentik.
Keunggulan metode ini yaitu dapat menghubungkan object-base antara aspek spektral dan spasial
citra kelas tertentu secara bersamaan. Kelas-kelas tersebut diklasifikasikan dengan menghubungkan
dua aspek di atas yang berlaku untuk hubungan antar objek. Phinn dkk. [ 12] melakukan pemetaan
komunitas bentik menghasilkan akurasi keseluruhan 78% di Heron, 52% di Ngderack, dan 65% di
Navakavu. Sedangkan untuk pemetaan zona geomorfologi menghasilkan akurasi pemetaan> 80% dkk.
[ 19] melaporkan hasil rentang akurasi menggunakan metode OBIA pada zona pemetaan
geomorfologi dari 76% menjadi 82% dan komunitas bentik dengan akurasi keseluruhan 52% -75%.
Zhang dkk. [ 20] menggabungkan analisis citra berbasis objek (OBIA), metode pengolahan citra
hiperspektral, dan teknik pembelajaran mesin dalam prosedur pemetaan dengan akurasi total 84,3%
diperoleh untuk klasifikasi tingkat kelompok, dan akurasi total 86,7% dicapai untuk klasifikasi tingkat
kode dengan 12 komunitas kode. Koreksi yang dilakukan hanya menyamakan sistem koordinat yang
digunakan pada setiap citra sehingga diperoleh hasil data yang akurat dan konsisten [21] pada [15]

4. Kesimpulan
Perbandingan algoritma mesin vektor dukungan antara klasifikasi berbasis piksel dan klasifikasi
berbasis objek menunjukkan akurasi keseluruhan masing-masing sekitar 61% dan 75%. Akurasi
keseluruhan berbeda nyata antara klasifikasi citra berbasis piksel dengan teknik basis objek, yaitu
sekitar 5,99. Penerapan teknik OBIA untuk pemetaan habitat bentik dapat menjadi pilihan terbaik
dibandingkan klasifikasi citra berbasis piksel, dimana informasi yang diperoleh dari penelitian ini
lebih akurat.

5
WMA-Mathcomtech 2018 Penerbitan IOP
IOP Conf. Seri: Jurnal Fisika: Conf. Seri 1114 ( 2018) 012049
1234567890 '' "" doi: 10.1088 / 1742-6596 / 1114/1/012049

Referensi
[1] P. Danoedoro, Pengantar Penginderaan Jauh. Yogyakarta: Penerbit ANDI, 2012. [2] D. Abdullah dkk.,
“A Slack-Based Measures dalam Group Common Benchmarking menggunakan
DEA untuk Meningkatkan Kinerja Efisiensi Departemen di Universitas Malikussaleh, ” Konfigurasi
Web MATEC, vol. 197, hal. 16005, 2018.
[3] D. Abdullah, Tulus, S. Suwilo, S. Efendi, Hartono, dan CI Erliana, “Langkah
Berbasis Slack untuk Meningkatkan Efisiensi Kinerja Jurusan di Universitas
Malikussaleh,” Jurnal Internasional Teknik & Teknologi, vol. 7, tidak. 2, hlm. 491–
494, April 2018.
[4] D. Abdullah, S. Suwilo, Tulus, H. Mawengkang, dan S. Efendi, “Analisis envelopment data
dengan batas atas output untuk mengukur kinerja efisiensi departemen di Malaikulsaleh
University,” J. Phys .: Konf. Ser., vol. 890, tidak. 1, hal. 012102, 2017.
[5] PJ Mumby, EP Green, AJ Edwards, dan CD Clark, "Efektivitas biaya penginderaan jauh
untuk penilaian dan pengelolaan sumber daya pesisir tropis", Jurnal Manajemen
Lingkungan, vol. 55, tidak. 3, hlm. 157–166, Maret 1999.
[6] K.Navulur, Analisis Citra Multispektral Menggunakan Paradigma Berorientasi Objek. Boca
Raton: CRC Press, 2006.
[7] VP Siregar, “Pemetaan substrat dasar perairan dangkal karang congkak dan lebar
kepulauan seribu menggunakan citra satelit quick bird”, e-Jurnal Ilmu dan Teknologi Vol. 2
No. 1 Tahun 2010, 2010.
[8] VP Siregar, S. Wouthuyzen, A. Sunuddin, A. Anggoro, dan AA Mustika, “Pemetaan Habitat
Dasar dan Estimasi Stok Ikan Terumbu dengan Citra Satelit Resolusi Tinggi”. 01 Agustus
2018.
[9] EP Green, PJ Mumby, AJ Edwards, dan CD Clark, Buku Pegangan Penginderaan Jauh untuk
Pengelolaan Pesisir Tropis (Buku Sumber Pengelolaan Pesisir). Paris: UNESCO,
2000.
[10] S. Andréfouët dkk., “Evaluasi multi-situs data IKONOS untuk klasifikasi lingkungan terumbu
karang tropis,” Penginderaan Jauh Lingkungan, vol. 88, tidak. 1, hlm. 128–143, November 2003.

[11] A. Anggoro, D. Syamsul, VP Siregar, dan B. Agus, “Pemetaan zona geomorfik ekosistem
terumbu karang dengan obia metode, studi kasus di pulau pari, "
Jurnal penginderaan Jauh dan Pengolahan data Citra Digital, vol. 12,
tidak. 1, hlm. 1–12, 2015.
[12] SR Phinn, CM Roelfsema, dan PJ Mumby, "Analisis gambar berbasis objek multi skala
untuk pemetaan geomorfik dan zona ekologi di terumbu karang", Jurnal Internasional
Penginderaan Jauh, vol. 33, tidak. 12, hlm. 3768–3797, Juni 2012.
[13] DR Lyzenga, "Penginderaan jauh parameter pantulan dasar dan atenuasi air di perairan
dangkal menggunakan data pesawat dan Landsat," Jurnal Internasional Penginderaan Jauh, vol.
2, tidak. 1, hlm. 71–82, Januari 1981.
[14] RG Congalton dan K.Green, Menilai Akurasi Data Penginderaan Jauh: Prinsip dan
Praktik, Edisi Kedua. Boca Raton: CRC Press, 2008.
[15] Supriyono, FW Citra, B. Sulistyo, dan MF Barchia, “Pemetaan Erosivitas Hujan Dan
Distribusi Spasial Curah Hujan Di Daerah Tangkapan DAS Sungai Bengkulu,” Jurnal
Lingkungan dan Ilmu Bumi, vol. 7, tidak. 10, hlm. 153-164–164, 2017.
[16] C. Roelfsema, S. Phinn, S. Jupiter, J. Comley, M. Beger, dan E. Paterson, “Penerapan analisis
berbasis objek dari citra resolusi spasial tinggi untuk pemetaan sistem terumbu karang
besar di Pasifik Barat pada geomorfik dan skala spasial komunitas bentik, ”di 2010 IEEE
International Geoscience and Remote Sensing Symposium, 2010, hlm. 4346–4349.

[17] SL Benfield, HM Guzman, JM Mair, dan JAT Young, “Memetakan distribusi terumbu
karang dan habitat sublittoral terkait di Pasifik Panama: perbandingan sensor satelit
optik dan metodologi klasifikasi,” Jurnal Internasional Penginderaan Jauh, vol. 28,
tidak. 22, hlm. 5047–5070, November 2007.

6
WMA-Mathcomtech 2018 Penerbitan IOP
IOP Conf. Seri: Jurnal Fisika: Conf. Seri 1114 ( 2018) 012049
1234567890 '' "" doi: 10.1088 / 1742-6596 / 1114/1/012049

[18] N. Wahidin, VP Siregar, B. Nababan, I. Jaya, dan S. Wouthuyzen, “Analisis Citra Berbasis
Objek untuk Pemetaan Habitat Bentik Terumbu Karang dengan Beberapa Algoritma
Klasifikasi,” Procedia Ilmu Lingkungan, vol. 24, hlm. 222–227, Januari 2015.
[19] C. Roelfsema, S. Phinn, S. Jupiter, J. Comley, dan S. Albert, “Pemetaan terumbu karang pada skala terumbu
hingga terumbu karang, 10s – 1000s km2, menggunakan analisis citra berbasis objek,” Jurnal Internasional
Penginderaan Jauh, vol. 34, tidak. 18, hlm. 6367–6388, September 2013.
[20] C. Zhang, D. Selch, Z. Xie, C. Roberts, H. Cooper, dan G. Chen, "Pemetaan habitat bentik
berbasis objek di Florida Keys dari citra hiperspektral", Estuarine, Coastal and Shelf
Science, vol. 134, hlm. 88–97, Desember 2013.
[21] S. Supriyono, FW Citra, B. Sulistyo, dan MF Barchia, “Estimasi Perubahan Tutupan Lahan
untuk Deteksi Erosi Tanah di Daerah Tangkapan DAS Sungai Bengkulu dengan
Menggunakan Citra Landsat,” dipresentasikan pada Seminar Nasional Pendidikan
Geografi IKIP UMP 2017, Puwokerto, 2017 .