See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/328530245

Perbandingan Klasifikasi Berbasis Piksel dan Klasifikasi Berbasis Objek pada

Citra Satelit Pleiades-1A untuk Pemetaan Habitat Bentik di Pulau Kemujan
Kepulauan Karimunjawa

Thesis · July 2016

CITATIONS READS
0 358

1 author:

Faza Adhimah
Universitas Gadjah Mada
4 PUBLICATIONS 2 CITATIONS

SEE PROFILE

All content following this page was uploaded by Faza Adhimah on 06 April 2022.

The user has requested enhancement of the downloaded file.

 BAB III
METODE PENELITIAN

3.1 Deskripsi Wilayah

3.1.1 Letak Geografis

Kepulauan Karimunjawa merupakan salah satu area yang memiliki

keanekaragaman biota laut terbesar. Menurut Lembaga Konservasi
Kawasan dan Jenis Ikan, Kepulauan Karimunjawa memiliki 45 spesies
mangrove, 34 spesies flora hutan pantai, 11 spesies lamun, dan 18 spesies
rumput laut. Berdasarkan kondisi tersebut, Kepulauan Karimunjawa
ditetapkan sebagai kawasan pelestarian alam (KPA) berdasarkan Surat
Keputusan Menhut No. 74/Kpts-II/2001 pada tanggal 15 Maret 2001.
Penelitian ini dilaksanakan di salah satu pulau di Karimunjawa,
tepatnya di Pulau Kemujan. Pulau Kemujan sendiri secara geografis
terletak di koordinat 05o 48’09” -05o 59’16” LS dan 110o 26'55" -
110o 29'38" BT. Letak secara administratif adalah Kecamatan
Karimunjawa, Kabupaten Dati II, Jepara Provinsi Jawa Tengah. Pulau
Kemujan memiliki luas sebesar 1.501,50 Hektar.

Gambar 3. 1 Lokasi Penelitian

26
3.1.2 Kondisi Fisik

Iklim di Pulau Kemujan adalah iklim tropis, dengan pergantian

musim kemarau pada bulan Juni hingga Agustus dan musim hujan pada
bulan November hingga Maret. Pulau Kemujan memiliki curah hujan
cukup tinggi dengan rata-rata 40 mm/hari. Suhu udara terendah di Pulau
Kemujan adalah 22ºC dan tertinggi 33ºC dan kelembaban udara reratanya
adalah 84%.
Pulau Kemujan didominasi oleh relief yang cenderung pantai yang
datar dan berbukit. Tipe pantai yang dijumpai adalah pantai berpasir,
pantai berkarang, dan pantai berlumpur, khususnya pada pantai yang
ditanami mangrove. Namun sebagain besar pulau didominasi pesisir
berpasir putih yang semakin landai ke arah pantai. Pulau Kemujan
memiliki perairan yang jernih yang dapat menembus hingga dasar
perairan sehingga memungkinkan untuk melihat substrat perairan dengan
jelas.

3.1.3 Kondisi Ekosistem Perairan

Ekosistem terumbu karang di Kepulauan Karimunjawa secara general

dapat dibedakan menjadi dua tipe yaitu tipe terumbu karang pantai dan
tipe terumbu karang penghalang. Secara keseluruhan di kawasan
Kepualauan Karimunjawa di dapatkan 12 famili koral disamping jenis-
jenis lain, seperti: sponge (Porifera), soft coral (karang lunak) dan akar
bahar (Auplexiura antipate dari genus Antipatharia),karang merah
(Tubipora musica) dari familia Tubiporiadae, Echinophyllia dari familia
Pectiniidae, Seriatophora dari familia Pocilloporidae, dan Merulina dari
familia Merulinidae (Aryono, 2004).
Selain jenis karang, terdapat ekosistem padang lamun di Perairan
Karimunjawa. Lamun merupakan tumbuhan yang hidup sudah

27
 beradaptasi pada lingkungan air laut. Lamun banyak dijumpai di perairan
dangkal pada daerah pesisir. Ditemukan 10 genera lamun yang termasuk
dalam Pomatogetonacaea dan Hydrocharitaceae. Enam genera lamun
yang ditemukan adalah genera Enhalus dan Thalassia mendominasi
komunitas lamun di perairan Karimunjawa (Aryono, 2004). Selain karang
dan padang lamun, ekosistem mangrove juga merupakan kelas yang
paling banyak dijumpai pada sepanjang pantai di Pulau Kemujan

3.2 Alat dan Bahan Penelitian

3.2.1 Alat

5.1 Seperangkat laptop dengan spesifikasi sebagai berikut:

a. Merk : Acer
b. Tipe/Seri : Aspire E1 -471G
c. Processor : Intel ® Core ™ i3 2348M (2.3 GHz, 3MB, L3)
d. Kartu Grafis : NDVIA ® GeForce ®710M with 1GB VRAM
e. Layar : 14.0” HD LED LCD
f. Sistem Operasi: 4GB RAM, Windows 7 Ultimate 64-byte

5.2 Perangkat lunak pengolahan data:

a. ArcGIS 10.1 untuk pengolahan data shapefile (titik sampel ROI,
dan shapefile daeran kajian) dan layouting peta
b. ENVI 5.0 untuk pengolahan citra (koreksi dan klasifikasi
berbasis piksel)
c. eCognition 9.0 untuk pengolahan citra (klasifikasi berbasis
objek)

5.3 Perangkat lunak pendukung:

a. Microsoft Office 2010 untuk penyajian, pengolahan data dan
penyusunan laporan

28
 5.4 Peralatan pendukung survei:
a. GPS (global positioning system) handheld etrex 30 dan GPS
Garmin 60csx (penentuan posisi objek di lapangan)
b. Alat dasar selam untuk snorkling (pengamatan objek di
lapangan) dan kamera (untuk dokumentasi)
c. Kapal (transportasi menuju titik penelitian)
5.5 Peralatan tulis

3.2.2 Bahan

1. Data citra Pléiades-1A level ortho Karimunjawa, Jepara, Jawa Tengah,

perekaman 23 September 2013, 03:03:48.3 UTC, Dinas Kehutanan
Provinsi Jawa Tengah
2. Peta RBI Pulau Karimunjawa skala 1:25.000
3. Data titik sampel survei lapangan tanggal 23 Mei 2016

3.3 Tahapan Penelitian

A. Pra Pengolahan

3.3.1 Menyiapkan alat dan bahan

Alat yang dibutuhkan, seperti yang dijelaskan dalam sub-bab alat
dan bahan diantaranya adalah alat untuk pengolahan data, alat untuk
survei lapangan dan alat pendukung lainnya. Data yang dibutuhkan pada
penelitian ini dibagi menjadi data primer, data sekundera dana data
pendukung. Data primer disini adalah citra Pléiades-1A yang diakuisisi
pada 23 September 2013. Data sekunder berupa data batas administrasi
daerah Kepulauan Karimunjawa. Dan data pendukungnya adalah data
hasil survei lapangan.

29
3.3.2 Koreksi geometrik
Citra yang digunakan dalam penelitian ini adalah citra Pléiades-1A
yang sudah diproses hingga level ortho. Sehingga citra ini tidak perlu
dikoreksi geometrik karena citra sudah terproyeksi dengan sistem
koordinat. Keterangan koreksi citra ditampilkan pada file product
paramaters sebagai berikut:
ROI Type : Polygon
Acquisition date : 2013-09-23 03:03:48.4
Platform : PHR 1A
Acquisition mode : PX
Spectral processing : PA+XS
Processing level : ORTHO
Coordinate system type : Projected
Coordinate system name : 32149
Coordinate system code : EPSG:32749
Number of lines : 31150
Number of pixels per line : 27975
Number of bands :4

Keterangan pendukung citra yang lain dapat dilihat pada Tabel 3.1 hingga
Tabel 3.3

Tabel 3. 1 Keterangan band information citra

Band ID B0 B1 B2 B3
Absolute calibration gains (W/m2 /sr/μm) 9,38 9,34 10,46 15,69

30
 Tabel 3. 2 Keterangan incidences dan orientation citra
Keterangan Start Middle End
Orientation 180,11 180,01 179,87
Global incidence 21,91 21,93 21,97
Across/along the track 8,33/-20,53 8,25/-20,59 8,18/-20,65
Solar azimuth 76,29 76,15 75,99
Solar elevation 67,43 67,41 67,40

Tabel 3. 3 Keterangan vertex location citra

Vertex Latitude Longitude X Y Pixel n o Line n o

Corner 1 -5,76263701880547 110,399873679819 433555 9362999 1 1
Corner 2 -5,76275608825953 110,526204426147 447542,5 9362999 27975 1
Corner 3 -5,90364853267266 110,526086170458 447542,5 9347424 27975 31150
Corner 4 -5,90352653246747 110,399723897086 433555 9347424 1 31150
Center -5,83314204305129 110,462972043378 440548,75 9355211,5 13988 15575

3.3.3 Koreksi radiometrik

Koreksi radiometrik yang dilakukan pada citra Pléiades-1A terdiri
dari beberapa tahap, yaitu:
 Koreksi radiance
Koreksi radiance berfungsi untuk mengembalikan nilai pantulan
spektral yang berupa digital number ke nilai radian sehingga citra
memiliki satuan. Kalibrasi digital number ke nilai radian dapat
dilakukan dengan persamaan yang tercantum pada perangkat lunak
ENVI help sebagai berikut:
( ) ( )
(1)

31
Keterangan:
Lλ = TOA spectral radiance (μW/(sr.cm-2 .nm))
Gain (b) = nilai gain pada band x
DC = band x
Bias (b) = nilai bias/offset pada band x
Dari hasil pembacaan metadata, nilai gain dan bias citra dapat dilihat
pada Tabel 3.4

Tabel 3. 4 Pembacaan nilai gain dan bias citra

Band Gain Bias

Band 1 0,10660 0,000000
Band 2 0,10710 0,000000
Band 3 0,09560 0,000000
Band 4 0,06370 0,000000

Citra yang sudah dikoreksi radian memiliki nilai spektral yang sudah
ada satuannya. Perbedaan dari nilai spektral citra dapat dilihat pada
Tabel 3.5 dan Tabel 3.6.

Tabel 3. 5 Pembacaan statistik citra sebelum kalibrasi nilai radiance

Band Min Max Mean Stdev
Band 1 0 4095 335,86 307,64
Band 2 0 3885 263,13 260,28
Band 3 0 3595 157,80 172,57
Band 4 0 4095 295,89 562,19

Tabel 3. 6 Pembacaan statistik citra setelah kalibrasi nilai radiance

Band Min Max Mean Stdev
Band 1 0 43,65 3,58 3,27
Band 2 0 41,59 2,81 2,78
Band 3 0 34,36 1,50 1,64
Band 4 0 26,09 1,88 3,58

32
  Koreksi reflectance
Koreksi reflectance berfungsi untuk menyamakan nilai spektral objek
dengan mempertimbangkan kesalahan akibat faktor posisi matahari
dan sensor satelit saat perekaman. Berikut persamaan yang digunakan
dalam koreksi reflectance menurut ENVI help:
( )
( ) ( )
(2)
( )

Keterangan:
Ρb (p) = TOA spectral reflectance (μW/(sr.cm-2 .nm))
Π = 3.141593
Lb (p) = nilai band x
E0 (b) = nilai TOA solar irradiance untuk band x
Cos (θs) = sun zenith angle (zenith angle = 900 - sun elevation0 )

Hasil pembacaan nilai statistik citra hasil koreksi reflectancedapat

dilihat pada Tabel 3.7.

Tabel 3. 7 Pembacaan statistik citra hasil koreksi reflectance

Band Min Max Mean Stdev
Band 1 0 0,078 0,006 0,006
Band 2 0 0,077 0,005 0,005
Band 3 0 0,073 0,003 0,003
Band 4 0 0,084 0,006 0,011

 Koreksi atmosfer
Koreksi atmosfer dilakukan dengan mempertimbangkan beberapa
faktor gangguan atmosfer sebagai sumber kesalahan yang dapat
menyebabkan penyerapan dan penghamburan sinar matahari.
Terdapat beberapa metode koreksi atmosfer diantaranya adalah
koreksi DOS (dark object substraction). Koreksi DOS merupakan
koreksi absolut dimana nilai reflekatan pada satelit dikonversi
menjadi nilai surface reflectance dengan asusmsi bahwa terdapat
objek yang mempunyai nilai pantulan mendekati nol persen

33
 (misalnya bayangan, air jernih dalam dan hutan lebat), (Chaves Jr,
1996; Nurlina, 2014). Koreksi atmosfer pada citra Pléiades-1A ini
menggunakan koreksi dark substraction yang terdapat pada tool
ENVI 5.0 dengan mengevaluasi nilai minimum band. Secara
tampilan, citra yang sudah dikoreksi atmosfer memiliki warna yang
rona yang lebih cerah seperti yang ditampilkan pada Gambar 3.2.

(a) (b)
Gambar 3. 2 Perbandingan citra sebelum dan sesudah dikoreksi
atmosfer

(a) Citra hasil koreksi reflectance; (b) Citra hasil koreksi atmosfer

 Koreksi sunglint
Koreks sunglint dilakukan untuk menghilangkan efek pantulan sinar
yang terjadi pada perairan. Pengaruh sunglint dapat diketahui dengan
membandingkan antara band visible dan band NIR yang dapat dilihat
dengan menetapkan training area pada citra yang mengandung
sunglint (Anggoro, 2014). Berikut persamaan yang digunakan dalam
koreksi sunglint menurut (Hedley et al, 2005):
( ) ( ) ( ) ( ) (3)

34
 Keterangan:
Li (vis)’ = band terkoreksi sunglint
Li (vis) = band visible
bi = nilai regression slope
L (nir) = band NIR
Lmin (nir) = nilai munimum ROI dari band NIR
Gambar 3.3 menunjukkan perbandingan linear dari band visible dan
band NIR untuk setiap training area yang diambil.
Red vs NIR
0.02
y = 0.8582x - 0.0024
R² = 0.9826
0.01

0
0 0.005 0.01 0.015 0.02

Blue vs NIR
0.02
y = 0.651x - 0.0051
R² = 0.9307
0.01

0
0 0.01 0.02 0.03

Green vs NIR
0.02
y = 0.4014x - 0.0034
0.01 R² = 0.9538

0
0 0.01 0.02 0.03 0.04

Gambar 3. 3 Scatter plot nilai bi pada band visible dan band NIR

 Koreksi kolom air

Koreksi kolom air pada citra menggunakan pendekatan algoritma
yang dikembangkan oleh Lyzenga (1981). Koreksi kolom air
dilakukan dengan mengambil training area untuk substrat pasir yang

35
 terendam. Persamaan yang digunakan dalam algoritma Lyzenga
adalah:
( ) ( ) ( ) (4)

√ (5)
( ) ( )
(6)
( )

Keterangan:
Ln (Bi) = nilai ln dari band i
Var Bi = nilai varian dari ln band i
Cov Bij = nilai covarian dari ln band i dan band j

Pengambilan area of interst untuk substrat pasir dilakukan pada

daerah pasir yang berada pada berbagai kedalaman, yaitu pada pasir
terendam dangkal, terendam sedang dan terendam dalam. Contoh
pengambilan sampel ditampilkan pada Gambar 3.4.

(a) (b) (c)

Gambar 3. 4 Contoh lokasi pengambilan sampel pasir untuk koreksi kolom air
(a) Pasir terendam dangkal; (b) Pasir terendam sedang; dan (b) Pasir terendam dalam

36
 Jika dibandingkan dengan citra yang belum terkoreksi kolom air,
substrat pasir yang ada memiliki warna yang seragam (putih) pada
berbagai varian kedalaman seperti yang ditampilkan pada Gambar
3.5.

(a) (b) (c)

Gambar 3. 5 Perbandingan cirta sebelum dan sesudah koreksi kolom air

(a) Citra hasil koreksi atmosfer; (b) Citra hasil koreksi sunglint; (c) Citra hasil koreksi
kolom air

3.3.4 Komposit citra

Komposit citra dilakukan dengan menampilkan citra dalam bentuk
true color. Band yang digunakan untuk menghasilkan citra dengan
tampilan true color adalah band 2 (green) 1 (red) 0 (blue). Citra hasil
komposit digunakan sebagai acuan dalam melihat daerah kajian saat
survei lapangan.

3.3.5 Pemotongan citra

Pemotongan citra dilakukan untuk membatasi daerah yang akan
dipetakan agar sesuai dengan lokasi penelitian, yaitu pada Pulau

37
 Kemujan. Pemotongan citra dilakukan dengan menggunakan proses
masking. Masking dilakukan pada area daratan dan area laut dalam
sehingga menyisakan perairan dangkal di Pulau Kemujan.

3.3.6 Survei lapangan

Pengambilan sampel di lapangan menggunakan metode stratifed
random sampling yakni titik sampel diambil secara acak pada daerah
kajian. Pengambilan sampel hanya dilakukan pada daerah yang dapat
diakses karena terdapat area penelitian yang tidak dapat dilalui oleh kapal
karena adanya budidaya rumput laut pada lokasi penelitian. Kegiatan
survei lapangan berupa plotting titik sampel dan dokumentasi habitat
bentik. plotting sampel dilakukan secara manual dengan melihat kelas
habitat bentik secara langsung dengan snorkeling atau mengamati dari
atas kapal seperti yang ditunjukan pada Gambar 3.6.

(a)

(b)
Gambar 3. 6 Kegiatan survei lapangan
(a) Plotting titik sampel; (b) Dokumentasi kelas habitat bentik

38
 GPS yang digunakan adalah GPS etrex 30 dan GPS Garmin 60 csx
yang memiliki akurasi 2 hingga 8 meter, sedangkan citra yang digunakan
dalam penelitian memiliki resolusi spasial 0,5 meter. Untuk
menyesuaikan akurasi dari GPS tersebut, plotting titik sampel dilakukan
pada lokasi yang memiliki kelas habitat bentik dengan homogenitas tinggi
di lapangan. Titik sampel yang diperoleh dari hasil survei lapangan ini
nantinya akan dibagi menjadi 2, yaitu digunakan untuk acuan dalam
membuat training area untuk klasifikasi berbasis piksel dan untuk
validasi data hasil klasifikasi. Dapat dilihat pada Gambar 3.7 persebaran
titik sampel yang diambil saat di lapangan.

Gambar 3. 7 Persebaran titik survei lapangan

B. Pengolahan Data
3.3.7 Penentuan jumlah kelas
Jumlah kelas yang diterapkan pada penelitian ini berdasarkan hasil
pengamatan pada citra penginderaan jauh dan pengamatan lapangan.

39
 Pengamatan objek dilakukan dengan melihat objek secara langsung yang
ada di lapangan untuk membuat skema klasifikasi habitat bentik. Kelas
habitat bentik yang ditemukan di lapangan berjumlah 7 kelas. Kelas
habitat bentik dapat berupa kelas tunggal ataupun kelas campuran yang
dilabeli berdasarkan komponen penyusun dominannya, yaitu kelas pasir
(Ps), terumbu karang (Tb), lamun (Lm), alga (Al), terumbu karang dan
pasir (Tb-Ps), pasir dan rubble (Ps-Rb), alga dan terumbu karang (Al-Tb).
Contoh kenampakan dari masing-masing kelas habitat bentik dapat dilihat
pada Gambar 3.8.

(a) (b) (c)

(d) (e) (f)

(g)
Gambar 3. 8 Variasi komponen kelas habitat bentik
(a) Lamun; (b) Alga; (c) Terumbu Karang; (d) Alga-Terumbu Karang; (e)
Terumbu Karang-Pasir; (f) Pasir-Rubble; (g) Pasir

40
3.3.8 Klasifikasi berbasis piksel
Metode klasifikasi yang digunakan untuk klasifikasi berbasis piksel
adalah klasifikasi supervised maximum likelihood. Maximum likelihood
merupakan metode klasifikasi yang menghasilkan akurasi pemetaan yang
paling tinggi dibandingkan dengan skema klasifikasi lainnya (Wicaksono,
2014). Klasifikasi supervised dilakukan dengan menggunakan titik
training area yang dibuat dari hasil survei lapangan. Pada klasifikasi
maximum likelihood, training area yang digunakan diambil dari titik
survey lapangan yang dibagi menjadi dua sebelumnya. Perbedaan antara
titik survey yang digunakan sebagai uji akurasi dan training area dapat
dilihat pada Gambar 3.9.

Gambar 3. 9 Titik survei uji akurasi dan model pada maximum likelihood

Skema klasifikasi yang digunakan adalah skema klasifikasi 7 kelas

habitat bentik. Gambar 3.10 menamplakan ROI yang digunakan sebagai
model pembuatan klasifikasi supervised:

41
 Gambar 3. 10 Tampilan ROI tool dan hasil klasifikasi habitat bentik

3.3.9 Klasifikasi berbasis objek

a. Segmentasi
Segmentasi yang digunakan pada penelitian ini adalah segmentasi
multiresolusi menggunakan tiga parameter, yaitu scale parameter, shape
dan compactness. Multiresolution segmentation merupakan segmentasi
yang mengelompokkan area yang memiliki kemiripan dan piksel
bersebelahan kedalam objek berdasarkan kriteria homogenitas. Area
homogen akan dikelompokkan ke dalam polygon yang lebih besar
daripada polygon area heterogen (Ramadhani, et al. 2015). Ukuran besar
kecilnya polygon yang terbentuk ditentukan oleh input dari nilai scale
parameter. Semakin kecil nilai yang digunakan untuk nilai scale
parameter maka semakin kecil juga ukuran polygon yang terbentuk.
Shape merupakan parameter yang mengatur homogenitas dari citra dan
berkaitan dengan nilai digital yang dipengaruhi warna. Parameter
compactness memiliki peranan dalam mengoptimalkan kekompakan
objek yang berasal dari shape (Anggoro, 2014: Trimble, 2014)
Proses yang dilakukan di eCognition menggunakan jendela process
tree, sehingga untuk memudahkan dalam membaca pemrosesan yang

42
sudah dilakukan maka perlu membuat urutan proses dengan membuat
append baru dan child baru. Pada Gambar 3.11 dan 3.12 menampilkan
contoh pembuatan process tree untuk segmentasi. Segmentasi
menghasilkan citra yang sudah terbagi ke dalam segmen-segmen seperti
yang terlihat pada Gambar 3.13.

Append

Child
Gambar 3. 11 Tampilan process tree untuk segmentasi

Gambar 3. 12 Tampilan detail pemrosesan segmentasi

Berikut adalah tampilan citra sesudah di segmentasi multiresolusi, dimana
bentuk segmen mengikuti pola objek yang ada di dalamnya:

(a) (b)
Gambar 3. 13 Perbandingan citra sebelum dan sesudah di segmentasi
(a) Citra sebelum segmentasi (b) Citra sesudah segmentasi scale
parameter 20

43
b. Klasifikasi
Proses klasifikasi merupakan proses yang dilakukan untuk
mengelompokkan objek berdasarkan suatu karakteristik. Pada penelitian
ini klasifikasi yang dilakukan menggunakan klasifikasi assign class yang
mengelompokkan objek berdasarkan kondisi/threshold condition. Kondisi
yang dimaksud disini adalah nilai dari suatu segmen objek. Kondisi yang
digunakan pada penelitian ini adalah kondisi nilai mean dari layer band
biru (layer band 23 pada input citra koreksi kolom air). Nilai objek dapat
dilihat pada image object information. Setiap segmen untuk objek tertentu
akan memiliki pola yang memungkinkan untuk mengenali objek dari pola
tersebut. Dengan membaca nilai objek diharapkan dapat menemukan pola
yang dapat digunakan untuk mengisi threshold condition pada proses
klasifikasi. Gambar 3.14 menunjukkan tampilan pembacaan nilai pasir
pada jendela image object informastion.

Gambar 3. 14 Tampilan image object information saat menampilkan nilai

objek
Klasifikasi dapat dilakukan dengan membuat kelas terlebih dahulu. Kelas
dapat dibuat pada class hierarchy window, kelas yang telah dibuat ada
class hierarchy window dapat dilihat pada Gambar 3.15.

44
Gambar 3. 15 Tampilan class hierarchy window dan kelas habitat bentik

Proses klasifikasi yang dilakukan dengan menggunakan assign

class clasification adalah kelas alga, terumbu karang, pasir-rubble, dan
substrat terbuka. Klasifikasi dibuat dengan melihat nilai mean dari layer 1
(band 23) untuk keempat kelas tersebut. Kelas yang dikelaskan paling
pertama adalah kelas terumbu karang dan yang terakhir dikelaskan adalah
kelas pasir, hal ini dilakukan agar tidak ada kelas yang saling bertampalan
dengan kelas yang lainnya. Tampilan process tree dan hasil klasifikasinya
dapat dilihat pada Gambar 3.16.

Gambar 3. 16 Tampilan process tree dan hasil klasifikasi assign class

45
c. Klasifikasi Manual
Klasifikasi manual adalah proses pengelompokkan objek secara
visual dengan memilih segmen-segmen yang termasuk ke dalam kelas
tertentu dengan bantuan brush. Klasifikasi manual dilakukan dengan
tujuan membedakan kelas lama dengan kelas baru yang tidak dapat
dibedakan berdasarkan nilai objeknya. Klasifikasi manual merupakan
proses klasifikasi lanjutan yang dilakukan pada data hasil klasifikasi
”assign class” untuk mengklasifikasikan kelas yang belum terkelaskan
pada proses tersebut.
Klasifikasi manual dilakukan pada kelas lamun, alga-terumbu
karang, dan terumbu karang-pasir. Yang perlu diperhatikan pada
klasifikasi manual ini adalah besar brush yang digunakan (semakin besar
nilai brush maka semakin besar ukurannya), kelas yang akan dikelaskan
dan kelas yang diubah. Keterangan paramter yang digunakan pada
klasifikasi manual dapat dlihat pada Gambar 3.17.

Gambar 3. 17 Tampilan detail pemrosesan klasifikasi manual

Gambar 3.18 menampilkan hasil klasifikasi objek akhir, setelah

klasifikasi dengan menggunakan algoritma klasifikasi assign class dan
klasifikasi manual:

46
 Gambar 3. 18 Tampilan hasil klasifikasi assign class dan manual

d. Ekstraksi
Ekstraksi pada klasifikasi berbasis objek bertujuan untuk merubah
format penyimpanan hasil segmentasi dan klasifikasi ke dalam bentuk
shapefile untuk pengolahan selanjutnya. Ekstraksi data klasifikasi
dilakukan satu persatu pada setiap kelas untuk memudahkan dalam
penamaan objek. Berikut tampilan proses ekstraksi datanya:

Gambar 3. 19 Tampilan detail pemrosesan ekstraksi data

Pengolahan selanjutnya dilakukan di software ArcGIS untuk tahap

penggabungan data shapefile hasil ekstraksi dari eCognition. Pengolahan

47
 yang dilakukan berupa overlay dengan metode append dan clip untuk
memotong daerah yang tidak termasuk dalam daerah kajian.

C. Penyajian Data
3.3.10 Uji akurasi
Uji akurasi dilakukan untuk mengetahui tingkat keakuratan peta
yang dihasilkan dari kedua metode, yang nantinya akan menjadi acuan
dalam membandingkan hasil dari metode klasifikasi. Metode yang
digunakan dalam uji akurasi ini adalah confusion matrix yang menghitung
nilai akurasi user accuracy, producer accuracy, commission, ommission
dan overall accuracy. Uji akurasi dilakukan menggunakan data hasil
survei lapangan.
Uji akurasi yang dilakukan pada hasil klasifikasi OBIA dilakukan
dengan merubah hasil klasifikasi yang sebelumnya disimpan dalam
bentuk vektor ke dalam bentuk .ROI menggunakan software ENVI. Data
.ROI ini jadi acuan dalam pembuatan image class classification yang
digunakan untuk melakukan uji akurasi dengan metode confusion matrix.
Uji akurasi pada setiap hasil klasifikasi dilakukan dengan
menggunakan dua input, yaitu uji akurasi dalam bentuk titik dan data
yang sudah dikonversi dalam bentuk polygon. Hasil klasifikasi maximum
likelihood akan diuji akurasinya dengan menggunakan titik survei yang
sebelumnya sudah dibagi dua (model dan uji akurasi). Uji akurasi pada
klasifikasi OBIA dilakukan dengan menggunakan semua titik hasil survei
lapangan. Sama seperti uji akurasi pada maximum likelihood, klasifikasi
OBIA juga dilakukan dengan menggunakan dua jenis ROI uji akurasi,
yaitu dalam bentuk titik dan polygon.
Pembuatan ROI dalam bentuk polygon dilakukan dengan
menggunakan spatial join tool pada software ArcMap untuk
menampalkan data titik survei lapangan dengan data hasil segmentasi

48
 citra. Tujuan dari membedakan ROI dalam dua bentuk adalah untuk
mengetahui bentuk ROI yang paling sesuai dalam uji akurasi pada
klasifikasi berbasis piksel dan klasifikasi OBIA.
Disebutkan sebelumnya bahwa klasifikasi berbasis piksel
mengkelaskan objek dalam satuan piksel dan klasifikasi OBIA
mengkelaskan objek dalam satuan segmen. Pada klasifikasi maximum
likelihood, setiap piksel yang dikelaskan dapat diwakili oleh satu titik
survey, sedangkan pada klasifikasi OBIA setiap segmen yang dikelaskan
dapat terdiri dari beberapa titik survey sekaligus. Untuk membuat setiap
segmen hasil klasifikasi hanya terdiri dari satu titik survey saja, maka data
titik tersebut perlu dikonversi menjadi polygon dengan memilih titik
survey dengan kelas yang mendominasi. Bentuk ROI uji akurasi yang
sudah dikonversi dalam bentuk polygon dapat dilihat pada Gambar 3.20.

Gambar 3. 20 Tampilan titik uji akurasi dalam bentuk polygon

3.3.11 Layout Peta

Layout peta merupakan tahapan paling akhir dari penelitian. Layout peta
dilakukan pada data hasil klasifikasi maximum likelihood yang sudah
dikonversi dalam bentuk vektor dan pada data hasil klasifikasi OBIA.
Layout peta dilakukan dengan mengikuti aturan kartografi yang
mengutamakan komponen tepi peta, seperti judul, grid, orientasi arah
utara, legenda, inset peta, dan lainnya.

49
 3.4 Diagram Alir Penelitian

Citra PLÉIADES-1A Pulau Kemujan

Koreksi Geometrik
Kalibrasi Nilai Radian
Koreksi Reflektan
Koreksi Radiometrik Koreksi Atmosfer
Koreksi Sunglint
Koreksi Kolom Air
Masking daerah kajian

Uji Akurasi Survei Lapangan Training Area

Klasifikasi
Polygon Titik

Overlay
Berbasis Objek Berbasis Piksel

Segmentasi Multiresolusi Input ROI

Assign Class Classification

Supervised Maximum
Likelihood
Manual Classification

Konversi Data ke Bentuk

Image Class Classification

Uji Akurasi Confusion Matrix

Peta Habitat Bentik Pulau Kemujan, Karimunjawa

Gambar 3. 21 Diagram alir penelitian

50
 BAB IV
HASIL DAN PEMBAHASAN

4.1 Klasifikasi berbasis piksel

Klasifikasi berbasis piksel dilakukan dengan menggunakan metode maximum
likelihood dengan skema klasifikasi 7 kelas, yaitu 1) pasir; 2) lamun; 3) alga; 4)
terumbu karang; 5) alga dan terumbu karang; 6) pasir dan rubble; 7) terumbu karang
dan pasir. Pada klasifikasi ini dibutuhkan training area untuk acuan dalam
klasifikasinya. Training area dibuat dengan menggunakan data hasil survei lapangan
dengan alasan untuk meminimalisir kesalahan dalam pemilihan objek. Klasifikasi
berbasis piksel dilakukan pada citra hasil koreksi radiometrik yang disajikan pada
Gambar 4.1.

Gambar 4. 1 Peta habitat bentik dengan metode klasifikasi berbasis piksel

51
 Validasi data hasil pemetaan dilakukan dengan menggunakan data hasil survei
lapangan dengan menggunakan dua data input ROI untuk uji akurasi, yaitu titik dan
polygon. Uji akurasi dalam penelitian ini menggunakan metode confusion matrix
yang membandingkan jumlah piksel yang terklasifikasikan dengan benar dan jumlah
titik survei yang digunakan. Uji akurasi yang dilakukan dengan menggunakan ROI
berupa polygon menghasilkan overall accuracy (OA) sebesar 69,75% dengan
koefisien kappa 0,64. Uji akurasi menggunakan polygon menggunakan 58.784 piksel
yang diuji, dan hanya 41.002 piksel yang sesuai. Hasil uji akurasi berbasis piksel
dengan ROI berupa polygon dapat dilihat pada Lampiran 6.
Hasil uji akurasi yang dilakukan dengan ROI dalam bentuk titik menggunakan
151 titik referensi memiliki nilai OA sebesar 71,52% dengan nilai koefisien kappa
sebesar 0,65. Hasil akurasi dengan menggunakan ROI berupa titik memiliki nilai OA
lebih besar. ROI berupa titik lebih tepat digunakan dalam hasil klasifikasi berbasis
piksel karena setiap satu titik objek akan mewakili setiap satu piksel. ROI dalam
bentuk polygon akan mewakili beberapa piksel sekaligus sehingga menyebabkan
akurasinya menurun. Berikut akurasi hasil klasifikasi berbasis piksel menggunakan
ROI berupa titik disajikan pada Tabel 4.1
Tabel 4. 1 Tabel uji akurasi hasil klasifikasi berbasis piksel dengan ROI titik

PS- AL- TB- UA Komisi

Kelas AL LM PS TB Total
RB TB SD (% ) (% )
PS-RB 36 0 0 0 1 1 1 39 92,31 7,69
AL-TB 0 14 0 0 0 0 0 14 100 0
AL 3 4 12 0 2 5 0 26 46,15 53,85
LM 0 0 0 27 0 0 0 27 100 0
PS 1 1 3 0 5 0 0 10 50 50
TB-SD 0 0 5 0 1 5 9 20 25 75
TB 1 0 1 3 0 1 9 15 60 40
Total 41 19 21 30 9 12 19 151
PA (% ) 87,8 73,68 57,14 90 55,56 41,67 47,37 71,52%
Omisi (% ) 12,2 26,32 42,86 10 44,44 58,33 52,63
Keterangan: UA= User’s accuracy; PA= Producer’s accuracy; PS-RB= Pasir dan
rubble; AL-TB= Alga dan terumbu karang; AL= Alga; LM= Lamun;
PS= Pasir; TB-SD= Terumbu karang dan pasir; TB= Terumbu karang

52
 Nilai user’s accuracy (UA) merupakan nilai yang mewakili kondisi tiap kelas
di lapangan. Sedangkan nilai producer’s accuracy (PA) merupakan nilai yang
mengindikasikan bahwa setiap piksel sudah terkelaskan dengan tepat. Kelas TB-SD
memiliki nilai UA terendah, dengan nilai 25%. Sebesar 45% sampel untuk TB-SD
berada pada kelas TB dan sisanya berada pada kelas AL dan LM. Kelas LM dan AL-
TB memiliki nilai UA tertinggi, yaitu 100%. Hal ini menunjukkan bahwa klasifikasi
yang dilakukan pada kedua kelas tersebut sudah sesuai dengan kondisi aslinya di
lapangan.
Berdasarkan perhitungan akurasi pada Tabel 4.1, dapat dilihat kelas TB-SD
memiliki nilai PA terendah, yaitu 41,67%. Pada kelas TB-SD, terdapat 6 titik
referensi yang tidak terkelaskan dengan benar, dengan adanya kelas TB-SD yang
terkelaskan menjadi kelas TB dan AL. Sedangkan kelas dengan nilai PA tertinggi
terdapat pada kelas LM, dengan nilai sebesar 90%, meskipun begitu terdapat 10%
yang salah terkelaskan menjadi kelas TB. Hal ini dapat disebabkan karena terdapat
kemiripan nilai spektral pada kedua kelas tersebut.
Hasil pemetaan dengan metode klasfikasi berbasis piksel pada sebagian Pulau
Kemujan didominasi dengan kelas TB-SD dengan luas 1,38 Km2 dari luas total
daerah kajian 4,68 Km2 . Sedangkan kelas LM memiliki luasan terkecil, yaitu dengan
luas 0,17 Km2 . Jika dilihat pada Gambar 4.1 kelas LM berada pada paling dekat
dengan daratan dengan pola yang memanjang, namun terdapat pula kelas LM yang
berada di sekitar kelas TB. Luasan setiap kelas hasil klasifikasi berbasis piksel
ditampilkan pada Tabel 4.3

53
4.2 Klasifikasi berbasis objek

Klasifikasi berbasis objek secara garis besar meliputi tiga proses utama, yaitu
segmentasi, klasifikasi assign class dan klasifikasi manual. Ketiga porses tersebut
digambarkan pada Gambar 4.2.

Gambar 4. 2 Rule set klasifikasi habitat bentik berbasis objek

Berdasarkan rule set yang ditampilkan pada Gambar 4.2, segmentasi dilakukan
dengan menggunakan scale parameter 20, sedangkan nilai shape dan compactness-
nya mengikutin pengaturan default software, yaitu 0,1 dan 0,5. Pemilihan nilai scale
parameter 20 untuk memperingan kerja software dalam mengolah data citra Pléiades-
1A yang memiliki resolusi spasial yang sangat tinggi, yaitu 0,5 meter. Pada
segmentasi ini menghasilkan jumlah objek atau jumlah polygon hasil segmentasi
sebanyak 137.248 objek.
Klasifikasi assign class dilakukan hanya pada 4 kelas habitat bentik, yaitu pada
kelas PS, PS-RB, AL, dan kelas TB. Ke-empat kelas tersebut dipilih untuk klasifikasi
ini karena nilai spektralnya masih dapat dibedakan polanya dari kelas lainnya.
Klasifikasi assign class hanya menggunakan satu kondisi saja, yaitu berdasarkan
kondisi nilai mean pada layer 1, dimana layer 1 diisi dengan band 23 dari citra hasil
koreksi kolom air. Layer 2 (band 13) dan layer 3 (12) tidak digunakan karena pada

54
dasarnya ke-dua layer tersebut memiliki nilai mean yang hampir sama dengan nilai
mean dari layer 1. Sedangkan nilai brightness tidak digunakan karena tidak dapat
ditemukan polanya untuk setiap kelas habitat bentik. Analisa pola nilai dari setiap
kelas menggunakan metode try and error dengan membaca informasi layer value
pada setiap segmen dari setiap kelas dengan menggunakan bantuan jendela image
object information. Pembacaan layer value dapat dilihat pada Lampiran 9.
Kelas PS di citra memiliki rona yang paling terang, sehingga nilai mean untuk
kelas pasir memiliki nilai yang paling tinggi. Sebaliknya, kelas TB memiliki rona
yang paling gelap, sehingga nilai mean-nya paling rendah. Dalam memasukkan
threshold condition perlu diperhatikan objek yang akan dikelaskan paling pertama
dan penggunaan tandanya agar tidak terjadi kesalahan dalam klasifikasi objeknya.
Untuk memudahkan dalam memasukkan threshold condition klasifikasi dilakukan
pada objek yang memiliki nilai mean yang paling tinggi atau yang paling rendah
terlebih dulu, seperti yang ditampilkan pada Gambar 4.2 dimana klasifikasi dilakukan
pertama kali pada kelas pasir yang memiliki nilai mean paling tinggi.
Kelas TB dan kelas LM memiliki layer value yang sama, sehingga perlu dipilih
salah satu kelas yang diklasifikasikan dengan menggunakan algoritma assign class.
Kelas LM dipilih untuk diklasifikasikan secara manual karena pemilihan objeknya
yang lebih mudah dari pada objek TB yang banyak tersebar di daerah kajian,
sehingga untuk mempercepat dan mempermudah pengerjaan klasifikasi, kelas TB
dipilih untuk diklasifikasikan menggunakan algoritma assign class. Kelas TB-SD
dan AL-TB juga diklasifikasikan dengan menggunakan algoritma manual
classification yang mengkelaskan objek dengan cara memilih objek yang akan
dikelaskan dengan bantuan brush. Klasifikasi objek tersebut menggunakan bantuan
unsur interpretasi seperti rona, asosiasi dan tekstur objek.
Hasil pemetaan dengan menggunakan metode klasifikasi berbasis objek dapat
ditampilkan pada Gambar 4.3.

55
 Gambar 4. 3 Peta habitat bentik dengan metode klasifikasi berbasis objek

Dapat dilihat dari Gambar 4. 3 bahwa kelas yang mendominasi pada hasil klasifikasi
OBIA adalah kelas TB dengan luasan 1,59 Km2 . Sedangkan kelas LM menjadi kelas
dengan luasan terkecil, yaitu 0,14 Km2 .
Sama seperti klasifikasi berbasis piksel, klasifikas OBIA juga akurasinya diuji
dengan menggunakan dua bentuk ROI, yaitu dengan polygon dan titik. Namun pada
klasifikasi OBIA uji akurasi yang dilakukan dengan menggunakan ROI dalam bentuk
polygon memiliki hasil akurasi yang lebih baik daripada hasil uji akurasi
menggunakan titik. Hasil uji akurasi yang dilakukan dengan menggunakan titik
memiliki OA sebesar 82,27% dengan nilai koefisien kappa 0,78. Nilai hasil uji
akurasi OBIA menggunakan titik dapat dilihat pada Lampiran 7. Sedangkan hasil
klasifikasi OBIA yang diuji dengan menggunakan polygon memiliki OA sebesar
86,89% dengan nilai koefisien kappa sebesar 0.84. Menurut Altman (1991) yang
dikutip dalam Murti (2011), peta hasil klasifikasi OBIA dapat dikategorikan sangat

56
baik karena memiliki rentang nilai kappa antara 0,81 – 1. Dalam pengujian akurasi
klasifikasi OBIA menggunakan titik survei yang sudah dikonversi dalam bentuk
polygon hasil segmentasi sehingga melibatkan banyak piksel, yaitu sebanyak 58784
piksel.

Tabel 4. 2 Tabel uji akurasi hasil klasifikasi berbasis objek dengan ROI polygon

PS- TB- AL- UA Komisi

Kelas AL LM PS TB Total
RB SD TB (% ) (% )
AL 6344 0 999 188 0 0 0 7531 84,24 15,76
LM 0 15406 0 0 0 0 0 15406 100 0
PS 0 0 3761 128 0 1332 0 5221 72,04 27,96
PS-RB 2104 0 4 7766 0 514 216 10604 73,24 26,76
TB-SD 338 0 0 228 3299 0 154 4019 82,09 17,91
AL-TB 0 0 611 0 0 6784 0 7395 91,74 8,26
TB 0 184 0 576 125 0 7715 8600 89,71 10,29
Total 8786 15598 5375 8886 3424 8630 8085 58784
PA (% ) 72,21 98,77 69,97 87,4 96,35 78,61 95,42 86,89%
Omisi (% ) 27,79 1,23 30,03 12,6 3,65 21,39 4,58
Keterangan: UA= User’s accuracy; PA= Producer’s accuracy; PS-RB= Pasir dan
rubble; AL-TB= Alga dan terumbu karang; AL= Alga; LM= Lamun;
PS= Pasir; TB-SD= Terumbu karang dan pasir; TB= Terumbu karang

UA dari klasifikasi OBIA memiliki nilai terendah 72% dan yang tertinggi
adalah 100%. Kelas PS memiliki nilai UA terendah, yaitu 72,04%, dimana dari 5221
piksel hanya 3761 piksel yang sesuai dengan kondisi lapangan. Sedangkan kelas LM
memiliki UA 100% yang menandakan bahwa kelas LM sudah sesuai dengan kondisi
aslinya di lapangan.
Nilai PA tertinggi berada pada kelas LM, dimana pada kelas tersebut memiliki
PA sebesar 98,77% dan hanya sebesar 1,23% yang salah terkelaskan menjadi kelas
TB. Sedangkan kelas PS memiliki PA terendah dengan nilai sebesar 69,97%. Kelas
PS sebesar 18,58% salah terkelaskan menjadi kelas AL dan 11,53% terkelaskan
menjadi AL-TB. Kelas yang diklasifikasikan dengan menggunakan algoritma manual
classification memiliki nilai PA yang lebih besar dibandingkan dengan kelas yang
hanya dikelaskan dengan algortima assign class. Kelas habitat bentik yang dikelaskan

57
dengan algoritma manual classification memiliki nilai PA lebih dari 75%. Kelas
habitat bentik tersebut adalah kelas LM, PS-RB, TB, TB-SD, dan AL-TB.

4.3 Perbandingan Akurasi

Perbandingan akurasi dilakukan pada hasil pemetaan dengan metode klasifikasi

berbasis piksel dan klasifikasi OBIA dengan menggunakan confusion matrix. Hasil
uji akurasi yang digunakan sebagai pembanding adalah uji akurasi memiliki nilai
akurasi terbesar pada setiap klasifikasi. Klasifikasi berbasis piksel memiliki OA
sebesar 69,75% untuk uji akurasi menggunakan ROI dalam bentuk polygon dan
dalam bentuk titik sebesar 71,52%. Sebaliknya, nilai OA pada klasifikasi OBIA yang
diuji dengan menggunakan ROI dalam bentuk polygon memiliki nilai OA lebih besar
dari uji akurasi yang dilakukan dengan menggunakan ROI dalam bentuk titik, yaitu
86,89% dan 82,27%. Meskipun diuji dengan menggunakan ROI dalam bentuk
berbeda, nilai OA untuk klasifikasi OBIA memiliki nilai paling tinggi. Hal ini
menunjukkan bahwa klasifikasi yang dilakukan dengan menggunakan metode OBIA
memiliki tingkat akurasi yang lebih baik daripada klasifikasi berbasis piksel dengan
adanya peningkatan akurasi yang sangat signifikan, yaitu sebesar 15,37% dengan
skema klasifikasi 7 kelas.
Berdasarkan grafik yang ditampilkan pada Gambar 4. 4 kelas LM memiliki
tingkat kesesuaian dengan kondisi lapangan yang paling tinggi dengan nilai UA
mencapai 100% pada hasil klasifikasi OBIA dan klasifikasi berbasis piksel dengan
menggunakan ROI dalam bentuk titik. Nilai UA dari hasil klasifikasi OBIA yang
diuji dengan menggunakan ROI dalam bentuk titik dan polygon memiliki nilai
terendah 63,16% dan yang tertinggi 100%. Sedangkan pada klasifikasi berbasis
piksel, nilai UA terendah adalah 25%, yaitu pada kelas TB-SD. Kelas PS merupakan
kelas dengan nilai UA terendah pada hasil klasifikasi OBIA, dimana kesesuaian hasil
pemetaannya hanya 63,16% dan 72,04% dengan hasil survei lapangan. Pada
klasifikasi berbasis piksel yang diuji dengan menggunakan ROI dalam bentuk titik,

58
kelas LM, PS, PS-RB, dan kelas AL-TB mengalami peningkatan nilai UA.
Klasifikasi OBIA yang diuji dengan ROI dalam bentuk polygon mengalami
peningkatan nilai UA pada semua kelas kecuali pada kelas PS-RB dan kelas Al-TB.

PERBANDINGAN USER ACCURACY

120
100
User Acc %

80
60
40
20
0
AL LM PS PS-RB TB-SD AL-TB TB
ML POLY 65.81 98.48 44.76 90.2 25.02 87.36 63.94
ML POINT 46.15 100 50 92.31 25 100 60
OBIA POLY 84.24 100 72.04 73.24 82.09 91.74 89.71
OBIA POINT 76.32 100 63.16 79.52 73.08 92.86 76.09

Gambar 4. 4 Grafik perbandingan user acc tiap kelas metode piksel dan OBIA

PERBANDINGAN PRODUCER ACCURACY

120
100
Prod Acc %

80
60
40
20
0
PS-RB AL LM PS TB-SD TB AL-TB
ML POLY 64.43 61.1 89.68 70.87 60.34 52.95 66.8
ML POINT 87.8 57.14 90 55.56 41.67 47.37 73.68
OBIA POLY 87.4 72.21 98.77 69.97 96.35 95.42 78.61
OBIA POINT 81.48 70.73 98.33 66.67 82.61 92.11 68.42

Gambar 4. 5 Grafik perbandingan prod. acc tiap kelas metode piksel dan OBIA
Keterangan: ML Poly= Maximum Likelihood Polygon; OBIA Poly= OBIA Polygon;
PS-RB= Pasir dan rubble; AL-TB= Alga dan terumbu karang; AL=
Alga; LM= Lamun; PS= Pasir; TB-SD= Terumbu karang dan pasir; TB=
Terumbu karang

59
 Dilihat dari grafik di atas, PA untuk klasifikasi OBIA memiliki nilai yang lebih
besar dari pada nilai PA klasifikai piksel di setiap kelas, kecuali pada kelas PS-RB
dengan selisih nilai hanya 0,4% saja. Dari nilai PA tersebut dapat dilihat bahwa
klasifikasi OBIA memiliki tingkat ketepatan yang lebih besar dalam mengkelaskan
suatu objek ke dalam kelas-kelas habitat bentik dari pada dengan menggunakan
klasifikasi berbasis piksel. Kelas LM memiliki nilai PA tertinggi pada semua
klasifikasi yang menandakan bahwa banyak piksel yang sudah terkelaskan dengan
benar pada kelas LM. Kelas TB-SD pada hasil klasifikasi berbasis piksel yang diuji
dengan menggunakan ROI titik memiliki nilai PA terendah untuk klasifikasi berbasis
piksel dengan nilai 41,67%. Sedangkan kelas PS memiliki nilai PA terendah pada
klasifikasi OBIA dengan nilai 66, 67% dan 69,97%.
Berdasarkan hasil uji akurasi yang dilakukan pada pemetaan habitat bentik,
faktor metode klasifikasi dan bentuk ROI yang digunakan sebagai acuan dalam uji
akurasi sangat mempengaruhi nilai hasil uji akurasi pemetaan habitat bentik.
klasifikasi berbasis piksel memiliki nilai uji akurasi yang lebih tinggi jika uji
akurasinya menggunakan ROI dalam bentuk titik, sedangkan klasifikasi OBIA
memiliki nilai yang lebih tinggi jika menggunakan ROI dalam bentuk polygon.
Perbedaan metode klasifikasi yang digunakan mempengaruhi luasan pada
setiap kelas habitat bentik. Pada klasifikasi berbasis piksel, kelas TB-SD merupakan
kelas dengan luasan terbesar, yaitu 1,38 Km2 , sedangkan pada klasifikasi OBIA kelas
TB-SD hanya memiliki luas 0,56 Km2 . Kelas yang mendominasi di kelas OBIA
adalah kelas TB dengan luas 1,59 Km2 dan terdapat selisih 0,70 Km2 pada kelas TB
di klasifikasi berbasis piksel. Pada kedua metode klasifikasi ini, kelas LM selalu
menjadi kelas dengan luasan terkecil, dengan luas 0,17 Km2 pada hasil klasifikasi
berbasis piksel dan 0,14 Km2 pada hasil klasifikasi OBIA. Keseluruhan perhitungan
luas setiap kelas habitat bentik dari metode klasifikasi berbasis piksel dan OBIA
disajikan pada Tabel 4.3

60
 Tabel 4. 3 Luas dan selisih perhitungan luas kelas habitat bentik

Luas (Km2 )
Kelas
Piksel Objek Selisih Luas
Alga-Terumbu Karang 0,45 0,28 0,17
Alga 0,83 0,86 0,03
Lamun 0,17 0,14 0,03
Pasir-Rubble 0,26 0,64 0,38
Pasir 0,68 0,59 0,09
Terumbu Karang-Pasir 1,38 0,56 0,82
Terumbu Karang 0,89 1,59 0,70
Luas Total 4,68

Data yang diolah pada penelitian ini adalah citra dengan resolusi spasial yang
tinggi yang membuat data memiliki ukuran yang sangat besar. Besarnya ukuran data
menyebabkan segala proses yang dilakukan menjadi lebih lama, khususnya saat
melakukan klasifikasi OBIA. Hal ini menjadi salah satu kekurangan dari klasifikasi
OBIA yang proses pengolahannya hingga proses uji akurasi membutuhkan waktu
yang lama dan kurang efisien jika dibandingkan dengan menggunakan klasifikasi
berbasis piksel. Meskipun begitu, akurasi dari OBIA memiliki nilai yang lebih besar
daripada akurasi klasifikasi berbasis piksel.

61

View publication stats