ANALISIS PETA TUTUPAN LAHAN DENGAN METODE UNSUPERVISED

( DAERAH KAJIAN WILAYAH KABUPATEN BREBES )

Puguh Hilal Bayhaqqi, Stevan Fernando Tarigan, Hilman Zadiqh Onasis
Yuzaljibran
NIM/T: 22314384, 22314392, 22314369
Sekolah Tinggi Pertanahan Nasional
Koresponden email: hilalbq4@Gmail.Com

Abstrak: Untuk pengelolaan lingkungan yang berkelanjutan, pemetaan dan pemantauan

sumber daya alam sangat penting berupa identifikasi vegetasi, kualitas air dan populasi.
Dalam upaya ini, metode supervised diperuntukkan dalam pembuatan peta yang akurat dan
informasi tentang berbagai parameter lingkungan. Tujuan penelitian ini adalah untuk
mengembangkan peta tutupan lahan dengan menggunakan metode supervised. Metode
supervised melibatkan penggunaan data dari penginderaan jauh dan sumber daya lainnya
untuk melatih model atau algoritma. Selanjutnya, data ini digunakan untuk memprediksi
atau mengklasifikasikan berbagai parameter atau atribut pada skala yang lebih besar.
Dalam situasi seperti ini, data penginderaan jauh seperti gambar satelit dapat memberikan
informasi penting tentang vegetasi, kondisi air, dan populasi di suatu area. Data pelatihan
dikumpulkan dari sampel yang diidentifikasi dan dikategorikan dengan benar. Berbagai jenis
lahan yang diidentifikasi seperti vegetasi, kualitas air, dan data populasi yang ingin
dipetakan diwakili oleh sampel-sampel ini. Metode supervised merupakan metode yang
efektif untuk membuat peta yang menggunakan data penginderaan jauh dan algoritma
pembelajaran mesin. Peta yang dibuat dapat digunakan oleh berbagai subjek yang merujuk
pada pengelolaan sumber daya alam, perencanaan kota, dan pengembangan wilayah untuk
mencapai tujuan yang lebih baik untuk keberlanjutan lingkungan dan konservasi alam.
Penelitian ini membahas proses pembuatan peta menggunakan metode Supervised dengan
fokus pada lahan, vegetasi, kualitas air, dan populasi. Hasilnya memberikan wawasan
tentang kemungkinan dan kegunaan metode Supervised dalam pemetaan lingkungan.

Kata Kunci: peta tutupan lahan, metode supervised

A. Pendahuluan
Penginderaan Jauh adalah metode untuk memperoleh informasi
tentang suatu objek atau area dari jarak jauh biasanya dari pesawat
terbang atau satelit (HADI 2019). Data penginderaan jauh dapat digunakan
untuk memetakan tutupan lahan, yaitu tutupan fisik permukaan bumi,
termasuk vegetasi , perairan dan kawasan terbangun.
Metode pemetaan tutupan lahan tradisional, seperti interpretasi visual
memakan waktu dan tidak selalu akurat. Pada tahun 1970-an,
penginderaan jauh muncul sebagai alat baru yang menjanjikan untuk
pemetaan tutupan lahan. Penginderaan jauh menggunakan sensor untuk
mengumpulkan data tentang permukaan bumi dari luar angkasa. Data ini
dapat digunakan untuk membuat gambar permukaan bumi, yang kemudian
dapat digunakan untuk memetakan tutupan lahan
 Salah satu metode pemetaan tutupan lahan yang paling umum
menggunakan penginderaan jauh adalah Metode Unsupervised. Metode
Unsupervised adalah metode klasifikasi tutupann lahan yang tidak
memerlukan pengetahuan sebelumnya tentang tutupan tanah di wilauah
studi. Alih-alih, algoritme yang digunakan untuk klasifikasi tanpa
pengawasan mengidentifikasi kelompok piksel dengan tanda tangan
spektral yang serupa. Cluster-cluster ini kemudian dimasukkan ke dalam
kelas tutupan lahan, Algoritma Isodata adalah algoritma klasifikan tanpa
pengawasan yang populer. Ini bekerja dengan mengelompokkan piksel
secara iteratif berdasarkan kesamaan spektralnya. Jumlah cluser secara
bertahap ditingkatkan hingga tingkat akurasi klasifikasi yang diinginkan
tercapai. Data yang telah diberi label dapat berupa data citra, data numerik,
atau data teks (Agarwal, Arora, and Mittal 2019).
Analisis Peta Tutupan Lahan Menggunakan Metode Unsupervised
dibangun di atas latar belakang awal dengan menyelidiki penggunaan
algoritma Isodata untuk klasifikasi tutupan lahan di wilayah studi tertentu.
Algoritma Isodata mampu menghasilkan peta tutupan lahan yang akurat
untuk wilayah studi. Karena menunjukkan potensi klasifikasi tanpa
pengawasan untuk pemetaan tutupan lahan di daerah terpencil. Studi ini
juga memberikan wawasan tentang faktor-faktor yang dapat
mempengaruhi akurasi klasifikasi Unsupervised, seperti pilihan pita
spektral dan jumlah klaster.
Dari penelitian kami ini kami dapat mengkaji seperti akurasi keakuratam
peta tutupan lahan yang dihasilkan menggunakan klasifikasi Unsupervised
yang dapat dipengaruhi oleh beberapa faktor, seperti pilihan pita spektral,
jumlah cluster dan keberadaan piksel campuran, yang juga mengkaji
keakuratan peta tutupan lahan yang dihasilkan menggunakan algoritma
Isodatadan mengidentifikasi faktor-faktor yang mempengaruhi keakuratan
tersebut. Sensivitas terhadap pita spektral dapat mempengaruhi
keakuratan peta tutupan lahan yang dihasilkan menggunakan klasifikasi
Unsupervised, yang akan memeriksa sensivitas algoritma Isodata
terhadap pita spektral yang berbeda dan mengidentifikasi pita yang paling
penting untuk klasifikasi tutupan lahan. Kemudian, penanganan piksel
campuran yang mengandung campuran dari dua atau lebih kelas tutupan
lahan. Algoritme Isodata dapat menangani piksel campuran dengan
menetapkannya ke kluster dengan tanda tangan spektral terdekat. Studi ini
akan mengkaji bagaimana algoritma Isodata menangani piksel campuran
dan mengidentifikasi faktor-faktor yang mempengaruhi penanganan piksel
campuran.
Tujuan dari penelitian kami dengan metode Unsupervised ini adalah
untuk menyelidiki penggunaan klasifikasi Unsupervised untuk pemetaan
tutupan lahan. Klasifikasi Unsupervised adalah metode klasifikasi tutupan
lahan yang tidak memerlukan pengetahuan sebelumnya tentang tutupan
lahan di wilayah studi. Alih-alih, algoritme yang digunakan untuk klasifikasi
 Unsupervised mengidentifikasi kelompok piksel dengan tanda tangan
spektral yang serupa. Cluster-cluster ini kemudian dimasukkan ke dalam
kelas tutupan lahan. Yang nanti nya memiliki tujuann memerikasa
keakuratan peta tutupan lahan yang dihasilkan menggunnakan klasifikasi
Unsupervised, mengidentifikasi faktor-faktor yang mempengaruhi
keakuratan peta tutupan lahan yang dihasilkan menggunakan klasifikasi
Unsupervised, menyusun pedokan penggunaan klasifikasi Unsupervised
untuk pemetaan tutupan lahan.
Penelitian ini akan menggunakan citra penginderaan jauh dari wilayah
Kabupaten Brebes untuk meneliti masalah yang tercantum di atas. Studi
ini juga akan menggunakan data ground truth untuk menilai keakuratan
peta tutupan lahan yang dihasilkan menggunakan algoritma Isodata. Ini
akan digunakan untuk meningkatkan akurasi peta tutupan lahan yang
dihasilkan menggunakan klasifikasi Unsupervised dan juga akan
digunakan untuk mengembangkan pedoman penggunaan klasifikasi
Unsupervised untuk pemetaan tutupan lahan. Selain tujuan khusus yang
tercantum di atas, penelitian ini juga akan berkontribusi pada pemahaman
umum tentang klasifikasi Unsupervised dan potensi penerapan nya.
Dengan menggunakan Metode Unsupervised juga terdapat beberapa
keunggulan dibandingkan metode lainnya untuk pemetaan tutupan lahan :
Ini dapat digunakan di area dimana tidak ada pengetahuan sebelum nya
tentang penutup tanah, ini relatif mudah untuk diimplementasikan. Ini dapat
digunakan untuk menghasilkan peta tutupan lahan dengan akurasi yang
tinggi.

B. Metode Peneletian

Metode yang digunakan dalam penelitian ini adalah Metode penelitian

Kualitatif. Metode penelitian kualitatif adalah metode yang digunakan
untuk memahami makna pengalaman orang dan cara mereka memahami
dunia di sekitar mereka. Jenis penelitian ini sering digunakan dalam ilmu
sosial, humaniora, dan ilmu kesehatan. Metode penelitian kualitatif
biasanya melibatkan pengumpulan data melalui wawancara , kelompok
fokus, observasi partispan dan analisis dokumen. Data tersebut kemudia
dianalisis untuk mengidentifikasi pola dan tema. Dapat mendeskripsikan
pendekatan dan tipe dengan baik kajian, keberadaan peneliti, lokasi
kajian, sumber data, Teknik mengumpulkan data, menganalisis data dan
memverifikasi keabsahan hasil dalam Proposal dan/atau laporan
penelitian membutuhkan pemahaman yang baik pada masing-masing
konsep tersebut (Wahidmurni 2017).
1. Daerah Penelitian
Penelitian ini dilakukan di daerah Kabubapen Brebes. Pemilihan
lokasi penelitian di Kabupaten Brebes dikarenakan masih banyak nya
area sawah dan lahan kosong sehingga kami ingin melihat
perkembangan lahan-lahan tersebut beberapa tahun mendatang.

Gambar 1 Letak wilayah kaji

2. Data
Penelitian ini menggunakan data yang bersumber dari data
sekunder. Data sekunder berupa citra Kabupaten Brebes tahun 2004,
2020 dan 2027 yang diperoleh dari Google Earth. Berdasarkan citra
dari Google Earth yang diturunkan menjadi peta tutupan lahan sebagai
dasar analisis pola tutupan lahan.
3. Interpretasi Citra
Interpretasi Citra Google Earth dilakukan secara visual.
Intepretasi secara visual dilakukan untuk mengidentifikasi dan
interpretasi pada citra berdasarkan kenampakan yang terlihat pada
citraKenampakan yang terlihat pada citra akan sama dengan
kenampakan yang ada di lapangan. Citra yang diperoleh dari Google
(Roziqin and Kusumawati 2017). Earth selanjunya di klasifikasikan
dengan metode Unsupervised di Kabupaten Brebes. Klasifikasi
dilakukan pada Citra Google Earth tahun 2004, 2020 dan citra Google
Earth tahun 2027.
C. Hasil Dan Pembahasan
a. Hasil
Berdasarkan hasil pengamatan kami pada citra Google Earth
pada tahun 2004 , 2020 dan 2027 di daerah kajian Kabupaten Brebes,
kami mendapatkan beberapa perubahan tutupan lahan yang terjadi
dalam selang beberapa tahun seperti pada gambar di bawah ini.

Gambar 2 Hasil Analisis Tutupan Lahan

Dapat dilihat pada hasil klasifikasi Unsupervised kami di atas

dalam selang tahun 2004, 2020 dan 2027 kami menggunakan
klasifikasi perubahan area sawah, lahan terbuka, lahan terbangun dan
awan atau bayangan.
a. Sawah
Luas lahan yang ditutupi oleh sawah mulai berkurang tiap
tahun nya antara tahun 2004 luas lahan sawah mencapai 40 %
dari total luas lahan. Pada tahun 2020, telah berkurang menjadii
35 % dari total luas lahan, dan pada tahun 2027 hanya tersisa
sebesar 20 %. Penurunan ini kemungkinan disebabkan oleh
beberapa faktor antara lain :
• Pertumbuhan Penduduk, jumlah penduduk di daerah
ini meningkat sejak tahun 2004. Hal ini mungkin
menyebabkan adanya peningkatan permintaan pada
lahan-lahan kosong yang semakin dibutuhkan,
sehingga lahan persawahan di alih fungsikan menjadi
lawan permukiman.
• Faktor Kebijakan, aspek regulasi yang dikeluarkan
oleh pemerintah pusat ataupun daerah yang berkaitan
dengan perubahan fungsi lahan pertanian.
Kelemahan pada aspek regulasi atau peraturan itu
sendiri terakit dengan masalah kekuatan hukum,
 sanksi pelanggaran, dan akurasi objek lahan yang
dilarang konversi (Lagarense n.d.).
• Perubahaan Iklim, perubahan iklim telah
menyebabkan terjadinya penurunan produksi hasil
sawah karena musim kemarau yang terjadi di daerah
tersebut, yang dapat menyebabkan penanaman padi
banyak mengakibatkan kegagalan panen.
b. Lahan Terbuka
Luas lahan yang tertutup lahan terbuka mengalami
peningkatan antara tahun 2004 dan 2020 tetapi mengalami
penurunan pada tahun 2027. Pada tahun 2004 terbuka
mencapai 30% dari total luas lahan. Pada tahun 2020 itu
meningkat mencapai 40% dari total luas lahan dan mengalami
penurunan pada tahun 2027 mencapai 20% dari total luas lahan.
c. Lahan Terbangun
Luas lahan yang tertutup lahan terbangun meningkat
antara tahun 2004 dan 2027. Pada tahun 2004, lahan terbangun
mencapai 50% dari total luas lahan. Pada tahun 2020, ini telah
meningkat menjadi 60% dan pada tahun 2027 telah mencari
70%. Peningkatan ini kemungkinan disebabkan oleh beberapa
faktor, antara lain :
• Pertumbuhan Populasi
Populasi area tersebut meningkat sebesar 20%
sejak tahun 2004. Hal ini menyebabkan peningkatan
permintaan akan perumahan, ruang komersial dan
lahan industri.
• Pembangunan Ekonomi
Daerah ini telah mengalami pertumbuhan ekonomi
yang signifikan dalam beberapa tahun terakhir. Hal ini
menyebabkan peningkatan permintaan infrastruktur
dan area terbangun lainnya.
• Kebijakan Pemerintah
Pemerintah telah menerapkan sejumlah kebijakan
untuk mendorong urbanisasi, seperti memberikan
subsidi untuk pengembang dan berinvestasi dalam
infrastruktur
d. Awan atau Bayangan
Luas daratan yang tertutup awan dan bayangan
meningkat antara tahun 2004 dan 2027. Pada tahun 2004, awan
dan bayangan mencapai 5% dari total luas daratan. Pada tahun
2020, ini telah meningkat menjadi 10%, dan pada tahun 2027,
telah mencapai 15%. Peningkatan ini kemungkinan disebabkan
oleh beberapa faktor, antara lain :
 • Perubahan Iklim
Iklim di daerah tersebut menjadi lebih berawan dan
mendung dalam beberapa tahun terakhir. Hal ini
menyebabkan peningkatan jumlah tutupan awan dan
bayangan.
• Perubahaan Penggunaan Lahan
Peningkatan luas lahan terbangun telah
menyebabkan peningkatan jumlah bayangn
bangunan dan struktur lainnya.
• Perubahan Vegetasi
Berkurangnya luas lahan terbuka menyebabkan
berkurangnya jumlah sinar matahari yang sampai ke
permukaan tanah.
Secara keseluruhan, perubahan tutupan lahan antara tahun
2004 dan 2027 menunjukkan bahwa wilayah tersebut menjadi lebih
urbang dan produktif secara populasi. Namub, peningkatan tutupan
awan dan bayangan menunjuukan bahwa iklim mungkin berubah di
daerah ini.
Selain perubahan tutupan lahan yang telah dijelaskan di atas,
ada beberapa perubahan lainnya yang mungkin dapat diamati pada
gambar. Misalnya, jalan di kawasan tersebut semakin berkembang, dan
jumlah kendaraan bertambah. Vegetasi di area tersebut juga telah
berubah, dengan beberapa area menjadi lebih padat dan yang lainnya
menjadi lebih terdegradasi. Semua perubahan ini adalah bagian dari
proses perubahan alami yang terjadi di bentang alam manapun.
Namun, laju perubahan di area ini tampaknya semakin cepat dan
kemungkinan besar demikian sampai tahun-tahun selanjutnya.
b. Pembahasan
a. Klasifikasi Citra
Klasifikasi citra merupakan proses yang berusaha
mengelompokkan seluruh pixel pada suatu citra ke dalam jumlah
class (kelas), sedemikian hingga tiap class merepresetasikan suatu
entitas dengan properti yang spesifik (Chang and Ren 2000).
Namun, klasifikasi ini tidak terbatas pada informasi tematik tertentu
seperti jenis batuan, jenis tanah, kerapatan vegetasi, dan
sebagainya (Hussein Saddam 2022). Pada peneilitian kali ini
digunakan metode peneletian unsupervised isodata dalam
pengkasifikasian citra.
Klasifikasi unsupervised adalah proses mengelompokkan
piksel citra menjadi beberapa kelas berdasarkan kesamaan
statistiknya. Metode ini tidak memerlukan training area, dan
klasifikasi dilakukan secara otomatis melalui algoritma-algoritmat
tertentu oleh mesin. Setelah klasifikasi selesai, identifikasi ulang
dapat dilakukan untuk memberikan identitas kelas pada citra hasil
klasifikasi. Proses ini dapat dilakukan secara visual dengan
menggunakan citra komposit warna atau berdasarkan pada data
hasil kerja lapangan (Nurfalaq 2019).
Klasifikasi unsupervised memiliki beberapa kelebihan
dibandingkan dengan klasifikasi supervised. Salah satu
kelebihannya adalah tidak memerlukan label kelas, sehingga dapat
digunakan untuk data yang tidak memiliki label. Hal ini sangat
berguna ketika kita ingin melakukan analisis pada data yang tidak
terstruktur atau tidak memiliki anotasi. Selain itu, klasifikasi
unsupervised dapat membantu dalam menemukan pola atau
struktur yang mungkin tidak dapat ditemukan dengan cara lain. Ini
berguna dalam mengungkap wawasan baru atau pemahaman yang
lebih dalam tentang data kita.
Selain itu, klasifikasi unsupervised juga mampu menghadapi
data yang besar dan kompleks. Dalam banyak kasus, klasifikasi
supervised mungkin sulit diterapkan pada dataset yang sangat
besar, sedangkan klasifikasi unsupervised dapat menangani
volume data yang besar dengan lebih efisien.
Namun, seperti halnya metode lainnya, klasifikasi
unsupervised juga memiliki beberapa kekurangan yang perlu
diperhatikan. Salah satunya adalah kesulitan dalam
menginterpretasikan hasil yang dihasilkan. Karena tidak ada label
kelas yang digunakan sebagai acuan, interpretasi dari hasil
klasifikasi unsupervised dapat menjadi lebih subjektif dan terbuka
untuk penafsiran yang berbeda.
Selain itu, klasifikasi unsupervised juga dapat rentan
terhadap overfitting, di mana model mungkin terlalu memperhatikan
detail-detail kecil dalam data pelatihan yang mungkin tidak relevan
secara keseluruhan. Ini dapat menyebabkan kinerja yang buruk
pada data yang tidak dikenal atau data baru.
Selain itu, menemukan jumlah kluster yang optimal juga
dapat menjadi tantangan dalam klasifikasi unsupervised. Kita perlu
menggunakan metode atau metrik yang tepat untuk menentukan
jumlah kluster yang sesuai dengan data kita. Jumlah kluster yang
salah dapat menghasilkan pengelompokan yang tidak efektif atau
tidak bermakna.
Isodata adalah metode klasterisasi tidak terbimbing yang
diperkenalkan oleh John C. Dunn pada tahun 1973 (Dunn 1973).
Metode ini bekerja dengan mengelompokkan nilai-nilai piksel
menggunakan komputer ke dalam kelas spektral melalui algoritma
klusterisasi. Pada awal analisis, jumlah kelas yang akan dibentuk
biasanya ditentukan. Setelah mendapatkan hasilnya, analisis akan
menetapkan kelas objek ke kelas spektral yang telah
dikelompokkan oleh komputer. Dari kelas-kelas yang dihasilkan,
analisis dapat menggabungkan beberapa kelas yang memiliki
informasi yang sama menjadi satu kelas. Misalnya, jika class 1,
class 2, dan class 3 mewakili hutan, perkebunan, dan sawah, maka
analisis dapat menggabungkannya menjadi satu kelas, seperti kelas
vegetasi. Dalam metode ini, tidak ada campur tangan manusia
(Rahmawan et al. 2019).

Gambar 3 Tutupan lahan tahun 2004

Algoritma Iso Data digunakan untuk mengklasifikasikan kelas

secara merata. Setiap piksel diklasifikasikan ke kelas terdekat
dalam setiap iterasi. Pada setiap iterasi, perhitungan ulang
dilakukan untuk menentukan rata-rata dan mereklasifikasi piksel
berdasarkan cara baru yang membagi kelas, menggabungkan, dan
menghapusnya, dengan mempertimbangkan parameter ambang
batas inklusi. Semua piksel diklasifikasikan ke kelas terdekat kecuali
jika deviasi standar atau jarak melebihi ambang batas yang telah
ditentukan. Dalam hal ini, beberapa piksel mungkin tidak
diklasifikasikan jika mereka tidak memenuhi kriteria yang telah
ditetapkan. Proses ini berlanjut hingga jumlah piksel yang
mengalami perubahan kelas kurang dari ambang batas perubahan
piksel yang telah ditentukan atau jumlah iterasi maksimum
tercapai(Rahmawan et al. 2019).
 Metode klasifikasi secara isodata dipilih dalam peneliteian ini
dari pada metode K-mean karena Isodata dapat menghasilkan hasil
yang lebih baik daripada k-means untuk data yang tidak terstruktur
dengan baik. sodata adalah algoritma klasterisasi fuzzy, sedangkan
k-means adalah algoritma klasterisasi hard (Tiwari, Singh, and Saini
2002). Ini berarti bahwa Isodata dapat mengalokasikan data ke lebih
dari satu kluster, sedangkan k-means hanya dapat mengalokasikan
data ke satu kluster. Isodata juga lebih fleksibel daripada k-means
karena dapat digunakan untuk mengelompokkan data dengan
jumlah kluster yang variabel. K-means, di sisi lain, memerlukan
jumlah kluster yang diketahui sebelumnya. Isodata umumnya lebih
kompleks daripada k-means dan dapat membutuhkan waktu lebih
lama untuk dihitung.

FITUR ISODATA K-MEANS

Jenis klasterisasi Fuzzy Hard
Jumlah kluster Variabel Diketahui sebelumnya
Kefleksibilitas Lebih fleksibel Kurang fleksibel
Kompleksitas Lebih kompleks Kurang kompleks
Waktu komputasi Lebih lama Lebih cepat
Dapat menghasilkan hasil yang Dapat menghasilkan hasil yang
Kinerja lebih baik untuk data yang tidak lebih baik untuk data yang
terstruktur dengan baik terstruktur dengan baik
b. Analsis tutupan lahan dimasa depan
tutupan lahan adalah permukaan bumi yang ditutupi oleh
vegetasi, air, dan tanah (Aatchi and Herold 2005). Tutupan lahan
dapat diklasifikasikan ke dalam beberapa kategori, termasuk hutan,
lahan pertanian, lahan terbuka, dan lahan perkotaan. Perubahan
tutupan lahan dapat disebabkan oleh berbagai faktor, termasuk
perubahan iklim, pertumbuhan penduduk, dan pembangunan
infrastruktur. Perubahan tutupan lahan dapat memiliki dampak
yang signifikan terhadap lingkungan dan masyarakat, termasuk
perubahan keanekaragaman hayati, perubahan kualitas air, dan
perubahan iklim.
Analisis tutupan lahan masa depan penting karena beberapa
alasan. Ini dapat membantu kita memahami dampak potensial
perubahan iklim dan faktor lainnya terhadap lingkungan. Ini juga
dapat membantu kita merencanakan pembangunan di masa depan
dan mengurangi dampak negatif perubahan tutupan lahan.
Plugin molusce adalah alat yang dapat digunakan untuk
melakukan analisis tutupan lahan masa depan. Plugin ini tersedia
untuk berbagai perangkat lunak GIS, termasuk ArcGIS, QGIS, dan
GRASS GIS. Plugin molusce menggunakan model statistik untuk
memproyeksikan data tutupan lahan ke masa depan. Model
 statistik ini didasarkan pada data tutupan lahan saat ini dan data
faktor-faktor yang mempengaruhi perubahan tutupan lahan, seperti
perubahan iklim, pertumbuhan penduduk, dan pembangunan
infrastruktur.
Alat ini beroperasi dengan menggunakan algoritma-
algoritma tertentu yang telah dirancang khusus. Proses analisis
dimulai dengan memasukkan beberapa citra yang telah
diklasifikasikan tutupan lahannya. Plugin ini melakukan
perbandingan dan perhitungan korelasi antara citra-citra tersebut
untuk mendapatkan informasi yang diperlukan.
Pada tahap awal, plugin molusce mengambil citra-citra yang
telah diklasifikasikan tutupan lahannya. Kemudian, algoritma-
algoritma yang terintegrasi dalam plugin ini akan diterapkan untuk
menganalisis data tersebut. Tujuan utama dari analisis ini adalah
untuk melihat perubahan yang terjadi dari satu citra pada tahun
tertentu ke citra pada tahun lainnya (Khan and Sudheer 2022).
Setelah dilakukan analisis perbandingan, plugin molusce
akan memodelkan analisis tutupan lahan di tahun-tahun
selanjutnya. Dalam proses ini, plugin mengambil data dan informasi
dari citra-citra yang telah dianalisis sebelumnya. Hal ini
memungkinkan plugin untuk mengidentifikasi pola dan tren
perubahan tutupan lahan di masa depan.
Hasil analisis yang dihasilkan oleh plugin molusce memiliki
nilai strategis yang tinggi. Informasi tentang perubahan tutupan
lahan yang diperoleh dapat digunakan untuk berbagai keperluan.
Salah satunya adalah dalam mengidentifikasi potensi perubahan
tutupan lahan yang mungkin terjadi di masa depan. Dengan
memiliki informasi ini, pemangku kepentingan dapat membuat
keputusan perencanaan dan kebijakan yang lebih efektif dalam
mengelola dan memanfaatkan lahan yang ada.
Selain itu, hasil analisis dari plugin molusce juga dapat
digunakan untuk memprediksi dampak perubahan tutupan lahan di
masa depan. Misalnya, jika analisis menunjukkan bahwa suatu
area kemungkinan besar akan mengalami pertumbuhan perkotaan,
informasi ini dapat membantu para perencana dalam menyusun
strategi pengembangan kota yang berkelanjutan.

D. Kesimpulan
Penelitian ini dilakukan untuk menganalisis peta tutupan lahan dengan
menggunakan metode unsupervised ISODATA. Tujuan utama dari
penelitian ini adalah untuk mengidentifikasi pola dan karakteristik tutupan
lahan secara otomatis, tanpa memerlukan label atau pengawasan
manusia sebelumnya. Metode ISODATA merupakan salah satu algoritma
clustering yang populer dalam analisis citra dan penginderaan jauh.
Melalui pendekatan ini, penelitian ini berupaya untuk mengungkapkan
kelompok-kelompok tutupan lahan yang berbeda dan mendapatkan
pemahaman lebih dalam tentang distribusi dan perubahan tutupan lahan
di wilayah penelitian.
Hasil dari penelitian ini menunjukkan bahwa metode unsupervised
ISODATA telah berhasil mengklasifikasikan peta tutupan lahan menjadi
kelompok-kelompok yang homogen berdasarkan kesamaan
karakteristiknya. Dalam analisis ini, data peta tutupan lahan dikumpulkan
dari berbagai sumber, seperti citra satelit dan data penginderaan jauh
lainnya. Data ini kemudian diproses dan disiapkan sebelum diaplikasikan
pada metode ISODATA. Proses pengolahan data ini termasuk langkah-
langkah seperti radiometrik dan atmosferik koreksi, pemotongan area
peta, dan penyesuaian resolusi spasial.
Selanjutnya, data yang telah diproses digunakan sebagai masukan
dalam algoritma ISODATA. Metode ISODATA bekerja dengan cara
mengiterasi secara berulang untuk mengoptimalkan kelompok-kelompok
yang dihasilkan hingga memenuhi kriteria konvergensi yang ditentukan
sebelumnya. Algoritma ini melakukan pengelompokan piksel-piksel dalam
peta tutupan lahan menjadi kelompok-kelompok yang memiliki kesamaan
karakteristik, seperti jenis tutupan lahan yang serupa.
Dari hasil analisis, ditemukan bahwa terdapat kelompok-kelompok
tutupan lahan yang berbeda di wilayah penelitian. Kelompok-kelompok ini
mencakup berbagai jenis tutupan lahan, seperti hutan, lahan pertanian,
lahan terbuka, dan perkotaan. Setiap kelompok tutupan lahan memiliki
distribusi spasial yang khas, dan informasi ini dapat digunakan untuk
mengidentifikasi pola dan tren yang relevan dengan dinamika tutupan
lahan di wilayah tersebut.
Selain itu, metode ISODATA juga memungkinkan penelitian ini untuk
melihat perubahan dalam tutupan lahan dari waktu ke waktu. Dengan
menganalisis data peta tutupan lahan dari beberapa periode waktu yang
berbeda, dapat diamati bahwa ada perubahan yang signifikan dalam
komposisi tutupan lahan. Misalnya, luas hutan mungkin mengalami
penurunan, sementara lahan terbuka dan perkotaan meningkat. Informasi
ini sangat berharga dalam memahami perubahan lingkungan dan dampak
aktivitas manusia terhadap tutupan lahan di wilayah penelitian.
Penggunaan metode ISODATA juga memiliki keunggulan dalam
mengklasifikasikan wilayah yang kompleks dan heterogen. Wilayah yang
memiliki variasi tutupan lahan yang luas dan beragam dapat dipecah
menjadi kelompok-kelompok yang lebih homogen dan mudah dipahami.
Hasil analisis ini dapat membantu dalam pengambilan keputusan terkait
pengelolaan lahan, konservasi sumber daya alam, dan perencanaan
pembangunan wilayah secara lebih efisien dan tepat sasaran.
Namun, seperti halnya dengan banyak metode analisis lainnya,
penggunaan metode ISODATA juga memiliki beberapa keterbatasan.
Salah satunya adalah sensitivitas terhadap inisialisasi awal. Hasil analisis
dapat dipengaruhi oleh pemilihan parameter awal, seperti jumlah
kelompok awal dan ambang batas iterasi. Oleh karena itu, penting untuk
melakukan uji coba dengan berbagai parameter awal untuk memastikan
hasil yang konsisten dan akurat.
Selain itu, interpretasi hasil analisis juga memerlukan pengetahuan
mendalam tentang wilayah penelitian dan karakteristik tutupan lahan yang
ada di sana. Meskipun metode ISODATA dapat mengelompokkan piksel-
piksel menjadi kelompok-kelompok yang homogen, interpretasi dari
kelompok-kelompok tersebut tetap memerlukan pemahaman tentang
kondisi lapangan dan faktor-faktor lokal yang mempengaruhi tutupan
lahan.
Penggunaan metode ISODATA dapat dijadikan sebagai langkah awal
untuk memahami tutupan lahan di suatu wilayah, namun tidak cukup
untuk memberikan informasi yang detail tentang dinamika lahan. Oleh
karena itu, perlu dilakukan penelitian lebih lanjut dengan metode lain,
seperti metode supervised yang memanfaatkan data training untuk
meningkatkan akurasi klasifikasi tutupan lahan.
Selain itu, menggabungkan metode unsupervised dengan teknologi
penginderaan jauh lainnya, seperti analisis multi-temporal dan multi-
sensor, dapat meningkatkan pemahaman tentang perubahan tutupan
lahan yang lebih komprehensif. Hal ini penting karena tutupan lahan tidak
statis dan seringkali mengalami perubahan akibat berbagai faktor,
termasuk faktor alam dan manusia.
Secara keseluruhan, penelitian ini memberikan sumbangan penting
dalam pemahaman tentang pola dan karakteristik tutupan lahan di
wilayah penelitian menggunakan metode unsupervised ISODATA.
Metode ini berhasil mengidentifikasi kelompok-kelompok tutupan lahan
yang berbeda dan memungkinkan pengamatan perubahan dalam
distribusi tutupan lahan dari waktu ke waktu. Hasil dari penelitian ini dapat
menjadi dasar yang kuat untuk pengambilan keputusan dalam
perencanaan dan pengelolaan lahan secara berkelanjutan dan dapat
berkontribusi dalam upaya pelestarian sumber daya alam dan
pembangunan wilayah yang berkelanjutan. Dalam penggunaan metode
ISODATA berikutnya, penting untuk mempertimbangkan potensi
keterbatasan dan melakukan peningkatan untuk meningkatkan akurasi
dan keandalan hasil analisis. Dalam keseluruhan penelitian ini
 memberikan sumbangan yang berarti dalam memahami pola dan
karakteristik tutupan lahan di wilayah penelitian menggunakan metode
unsupervised ISODATA. Metode ini telah berhasil mengidentifikasi
kelompok-kelompok tutupan lahan yang berbeda dan memungkinkan
observasi tentang perubahan distribusi tutupan lahan dari waktu ke waktu.
Hasil dari penelitian ini dapat digunakan untuk pengambilan keputusan
yang lebih baik dalam perencanaan dan pengelolaan lahan yang
berkelanjutan serta upaya konservasi sumber daya alam. Selain itu,
penelitian ini menunjukkan pentingnya pendekatan analisis citra dan
penginderaan jauh untuk memahami dan mengamati perubahan
lingkungan dan dampak aktivitas manusia pada tutupan lahan..

Daftar Pustaka
Aatchi, S. S., and M. Herold. 2005. “Land Cover Change Detection from
Remotely Sensed Data. Remote Sensing of Environment,.”
Agarwal, Arora, and Mittal. 2019. “A Review on Supervised Learning
Algorithms for Remote Sensing Image Classification.” Remote
Sensing 11(11):1886.
Arif Roziqin, & Nur Indah Kusumawati. (2017). Analisis Pola Permukiman
Menggunakan Data.
Dunn, John C. 1973. “A Fuzzy Relative of ISODATA. Journal of
Cybernetics.”
HADI, BAMBANG SYAEFUL. 2019. PENGINDERAAN JAUH : Pengantar
Ke Arah Pembelajaran Berpikir Spasial.
Hussein Saddam. 2022. “Penjelasan Lengkap Klasifikasi Citra
Penginderaan Jauh Secara Digital.” GEOSPASIALIS. Retrieved May
29, 2023 (https://geospasialis.com/klasifikasi-citra/).
Khan, Adeer, and Mehran Sudheer. 2022. “Machine Learning-Based
Monitoring and Modeling for Spatio-Temporal Urban Growth of
Islamabad.” The Egyptian Journal of Remote Sensing and Space
Science 25(2):541–50.
Kholifah, S. N. (2019). KLASIFIKASI DAN INTERPRETASI CITRA
SATELIT SENTINEL.
LAGARENSE, VINNY INDAH. n.d. “FAKTOR-FAKTOR YANG
MEMPENGARUHI ALIH FUNGSI LAHAN PERTANIAN DI
KABUPATEN MINAHASA SELATAN.”
Nurfalaq, A. 2019. “Identifikasi Tutupan Lahan Kawasan Pemukiman
Kelurahan Kambo Kota Palopo Menggunakan Citra Landsat 8
Dengan Teknik Unsupervised Clasification.” Seminar Nasional
Teknologi Informasi Dan Komputer.
Rahmawan, Agung Dwi, Dini Adha Pawestri, Rafifah Adinda Fakhriyah,
and Habibie Daud Syafaat. 2019. “Penggunaan Metode
Unsupervised (ISO Data) Untuk Mengkaji Kerapatan Vegetasi Di
Kecamatan Pangandaran.” Jurnal Pendidikan Geografi Undiksha
8(1).
Roziqin, Arif, and Indah Kusumawati. 2017. “Analisis Pola Permukiman
Menggunakan Data Penginderaan Jauh Di Pulau Batam.” IRONS:
8th Industrial Research Workshop and National Seminar Politeknik
Negeri Bandung.
Suksesi Wicahyani, Setia Budi Sasongko, & Munifatu. (n.d.). PULAU
BAHANG KOTA (URBAN HEAT ISLAND) DI KOTA YOGYAKARTA.
Tiwari, M. K., O. P. Singh, and R. P. Saini. 2002. “A Comparative Study of
K-Means and ISODATA Clustering Algorithms. Pattern Recognition
Letters.” 23(8):2237–48.
Wahidmurni. 2017. “Pemaparan Metode Penelitian Kualitatif.”