03 - 019 - Zakky Nurshidiq - Object Based Image Analysis OBIA

KEGIATAN – VIII
OBJECT BASED IMAGE ANALYSIS (OBIA)
LAPORAN PRAKTIKUM PENGOLAHAN CITRA DIGITAL
Disusun Oleh:
Nama : Zakky Nurshidiq

NIM : 117.200.019
Plug : 03
PROGRAM STUDI TEKNIK GEOMATIKA

JURUSAN TEKNIK GEOLOGI
FAKULTAS TEKNOLOGI MINERAL
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN”
YOGYAKARTA
2023/2024
LABORATORIUM FOTOGRAMETRI DAN PENGINDERAAN JAUH
TEKNIK GEOMATIKA
UPN “VETERAN” YOGYAKARTA 2023/2024
BAB I
PENDAHULUAN
1.1 Latar Belakang

Penginderaan Jauh merupakan rekaman pola pantulan energi
elektromagnetik dan emisi yang ditampilkan di citra menyerupai gambar dan
mempunyai sifat yang sangat bervariasi. Untuk mendapatkan informasi penting
dari data tersebut kita harus melakukan tahap deteksi terlebih dahulu. Deteksi
dibantu oleh karakteristik spasial, spectral, radiometric dan temporal data.
Resolusi spasial ialah kemampuan system perekam dalam membedakan objek
yang terletak berdekatan. Resolusi spectral merupakan perekaman gambaran
yang sama pada interval spectral yang berbeda. Resolusi radiometric untuk
menghasilkan kontras yang lebih baik sehingga dapat dicapai jumlah tingkat
keabuan antara batas hitam dan putih yang mudah dibedakan. Akhirnya resolusi
temporal menjelaskan kegunaan citra yang direkam pada interval waktu tertentu
(musim) untuk mendeteksi perubahaan yang telah terjadi (Purwadhi, 2001).
Tujuan utama penginderaan jauh adalah untuk mengumpulkan data
sumberdaya alam dan lingkungan. Teknik ini menghasilkan beberapa bentuk
citra yang selanjutya diproses dan diinterpretasi guna membuahkan data yang
bermanfaat untuk aplikasi di bidang pertanian, arkeologi, kehutanan, geografi,
geologi, perencanaan, dan bidang-bidang lainnya (Lo, 1995).
Pada praktium ini akan belajar dan mempraktikan proses Object Based
Image Analysis (OBIA). OBIA merupakan metode analisis yang berfokus pada
objek atau kelompok piksel yang membentuk objek nyata di dunia nyata.
Praktikum ini bertujuan untuk memahami konsep dan implementasi OBIA
dalam pengolahan citra digital, sehingga bisa memahami kemampuan dalam
meningkatkan akurasi dan efisiensi analisi spasial. Dengan fokus pada objek,
OBIA dapat mengatasi beberapa kendala yang muncul dalam analisis piksel-
piksel individual, seperti gangguan akibat noise atau variasi dalam intensitas
piksel. Hal ini membuat OBIA menjadi alat yang sangat berguna dalam aplikasi
seperti pemetaan tanah, pemantauan vegetasi, dan identifikasi objek-objek
penting lainnya.
2 | Praktikum Pengolahan Citra Digital

TEKNIK GEOMATIKA
Implementasi OBIA dalam pemantauan lingkungan dan sumber daya

alam telah terbukti memberikan hasil yang signifikan. Misalnya, dalam
penelitian oleh Blaschke et al. (2014), ditemukan bahwa penggunaan OBIA
meningkatkan akurasi klasifikasi lahan dibandingkan dengan metode piksel
berbasis. Penerapan OBIA juga telah sukses dalam pemantauan perubahan
lingkungan, seperti deforestasi dan urbanisasi (Hay et al., 2019).
Dengan demikian, pemahaman dan penguasaan terhadap Object-Based
Image Analysis (OBIA) dapat memberikan kontribusi yang signifikan dalam
pengolahan citra digital untuk berbagai tujuan, terutama dalam konteks
pemantauan lingkungan dan pengelolaan sumber daya alam.
1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah dijelaskan, maka dapat dirumuskan
permasalahan sebagai berikut:
1. Apa yang dimaksud dengan Object Based Image Analysis (OBIA) dalam
pengolahan citra satelit?
2. Bagimana tahapan-tahapan dalam mempraktikkan proses Object Based
Image Analysis (OBIA) pada citra satelit di software eCognition?
1.3 Tujuan
Adapun tujuan pelaksanaan dari kegiatan ini adalah sebagai berikut:
1. Praktikan dapat memahami Object Based Image Analysis (OBIA) dalam
pengolahan citra satelit.
2. Praktikan dapat memahami dan mempraktikkan proses proses Object
Based Image Analysis (OBIA) pada citra satelit di software eCognition.

TEKNIK GEOMATIKA
BAB II
DASAR TEORI
2.1. Penginderaan Jauh

Pengindraan jauh adalah ilmu dan seni pengumpulan informasi tentang
objek, area, atau fenomena tanpa memiliki kontak fisik dengan objek, area, atau
fenomena tersebut, melalui pengukuran karakteristik yang ada dalam radiasi
yang dipantulkan atau dipancarkan oleh objek, area, atau fenomena tersebut
(Kiefer et al, 2014). Metode ini menggunakan sensor atau alat pengindraan yang
mampu mendeteksi, mengukur, dan merekam karakteristik radiasi
elektromagnetik yang dipantulkan atau dipancarkan oleh objek, area, atau
fenomena yang diamati. Pengindraan jauh memiliki beragam aplikasi dalam
berbagai bidang, termasuk ilmu lingkungan, geografi, geologi, pertanian,
pemetaan, pemantauan cuaca, pemantauan bencana alam, dan banyak lagi.
2.2. Citra Satelit

Citra satelit merupakan alat dalam penginderaan jauh yang memberikan
representasi visual dari permukaan bumi (Kiefer et al, 2014). Citra satelit
menjadi salah satu elemen kunci dalam penginderaan jauh, dan kemampuannya
untuk memperoleh data dari jarak jauh memungkinkan penggunaannya dalam
berbagai aplikasi ilmiah dan praktis. Citra satelit dapat menggambarkan
permukaan bumi atau objek tertentu di berbagai panjang gelombang spektrum
elektromagnetik, seperti cahaya tampak, inframerah, atau mikrogelombang.
Citra satelit digunakan untuk berbagai tujuan, termasuk pemetaian, pemantauan
lingkungan, analisis tanah, pemantauan cuaca, dan pemahaman perubahan di
permukaan bumi.
2.3. Klasifikasi
Menurut Anand (2017) klasifikasi adalah proses penetapan peran kelas
spektral ke dalam kelas – kelas informasi. Kelas spektral adalah kelompok
piksel yang seragam dengan nilai kecerahan dalam saluran spektral yang
berbeda dari data. Kelas – kelas informasi adalah kategori kepentingan yang

TEKNIK GEOMATIKA
diidentifikasi pada citra atas dasar pengetahuan dan pengalaman tentang daerah.
Citra penginderaan jauh berisi identitas spektral fitur yang ada di permukaan
tanah pada nilai piksel yang berbeda, piksel – piksel yang berbeda tersebut
dilakukan identifikasi dan dikelompokkan pada piksel yang homogen.
Pengelompokan piksel – piksel diberi nilai dan label kelompok seperti air,
pertanian, hutan, dan sebagainya saat membuat peta tematik. Ketika informasi
tematik ini diekstraksi dengan bantuan perangkat lunak, hal ini dikenal sebagai
klasifikasi citra digital.
Langkah utama klasifikasi citra dapat mencakup penentuan sistem
klasifikasi yang sesuai, pemilihan sampel, pra pengolahan citra, ekstraksi fitur,
pemilihan pendekatan klasifikasi yang sesuai, pasca pengolahan klasifikasi, dan
penilaian akurasi (Lu & Weng Q, 2007).
2.4. Object Based Image Analysis (OBIA)

Pada saat ini berkembang berbagai macam ekstraksi informasi citra
penginderaan jauh, salah satunya yaitu OBIA (Object Based Image Analysis).
Hurd dalam Wibowo (2007) mengungkapkan bahwa OBIA merupakan
pendekatan yang proses klasifikasinya tidak hanya mempertimbangkan aspek
spektral tetapi juga aspek spasial objek. Metode OBIA tidak hanya bergantung
pada nilai spektral saja tapi juga mampu mengoptimasi feature spatial dalam
citra satelit sesuai dengan unsur interpretasi seperti bentuk, ukuran, tekstur dan
informasi kontekstual lainnya. Klasifikasi berbasis objek ini terdiri dari 3 tahap
pemrosesan, yaitu (Veljanovski dkk, 2011):
1. Segmentasi dan komputasi dari atribut spektral, geometris, struktur,
konseptual dan temporal.
2. Objek (semantik) klasifikasi.
3. Pasca klasifikasi, berupa verifikasi, penghapusan kesalahan dan validasi
hasil.
Segmentasi citra dalam konteks OBIA dapat diartikan sebagai proses
pengelompokkan piksel-piksel bertetangga ke dalam area (segmen) berdasarkan
kemiripan kriteria seperti digital number atau tekstur. Segmentasi citra
menghasilkan “objek”, yaitu kelompok piksel yang selanjutnya menjadi unit

TEKNIK GEOMATIKA
analisis klasifikasi. Multiresolution Segmentation (MRS) yang dikembangkan

oleh Baatz and Schaepe (2000) merupakan algoritma segmentasi yang paling
banyak digunakan untuk klasifikasi OBIA. Rumus perhitungan algoritma MRS
dijelaskan sebagai berikut.
Keterangan:
𝑺𝒇 : Fungsi segmentasi
𝑾𝑪𝒐𝒍𝒐𝒓 : Bobot parameter warna
𝒉𝒄𝒐𝒍𝒐𝒓 : Parameter warna
𝑾𝑪𝒐𝒍𝒐𝒓 : Bobot parameter bentuk 𝒉𝒔𝒉𝒂𝒑𝒆 : Parameter bentuk
Menurut Nikfar dkk (2012) mempertimbangkan persamaan diatas,

dalam segmentasi objek yang awalnya piksel diawali dengan pencarian tetangga
terdekat yang ada di sekitarnya untuk menemukan tetangga terbaik untuk
digabungkan. Setiap objek akan menghitung nilai fusi untuk menentukan
tetangga terbaik untuk digabungkan. Jika pencocokan tersebut tidak saling
menguntungkan (tidak cocok), objek piksel tersebut akan menjadi objek piksel
induk yang baru. Dalam hal ini yaitu akan mencari pasangan piksel untuk
dilakukan penggabungan. Ketika pasangan terbaik saling menguntungkan
(cocok), penggabungan tersebut kemudian akan diperiksa. Nilai fusi untuk
penggabungan ini akan dibandingkan dengan 1 parameter-parameter yang
secara langsung ditentukan oleh pengguna. Bobot untuk keragaman bentuk,
kekompakan, skala, dan spektral ditentukan oleh pengguna.
2.5. Segmentasi Citra

Menurut Destyningtias (2010) segmentasi merupakan proses
mempartisi citra menjadi beberapa daerah atau objek. Segmentasi citra
mempunyai sifat discontinuity atau similarity dari intensitas piksel. Pendekatan
discontinuity yaitu mempartisi citra bila terdapat perubahan intensitas secara
tiba-tiba (edge based). Pendekatan similarity yaitu mempartisi citra menjadi
daerah-daerah yang memiliki kesamaan sifat tertentu (region based).

TEKNIK GEOMATIKA
Segmentasi citra adalah proses pengolahan citra yang bertujuan memisahkan

wilayah (region) objek dengan wilayah latar belakang agar objek mudah
dianalisis dalam rangka mengenali objek yang banyak melibatkan persepsi
visual. Proses segmentasi citra didasarkan pada perbedaan derajat keabuan citra
(Tjahjadi dkk, 2019). Untuk mengubah citra berwarna yang mempunyai nilai
matrik masing masing r, g dan b menjadi citra grayscale dengan nilai s, maka
dilakukan konversi dengan mengambil rata rata dari nilai r, g dan b.
Keterangan:
r : Nilai matriks band Red
g : Nilai matriks band Green
b : Nilai matriks band Blue
2.6. Segmentasi Pada eCognition

Pada software eCognition, segmentasi dapat berupa operasi pembagian
(sub diving), operasi penggabungan (merging), atau operasi perubahan bentuk
(reshaping). Dengan demikian, segmentasi pada e-Cognition ini dapat
digunakan untuk berbagai operasi yang dapat memanipulasi objek gambar
sesuai dengan kriteria tertentu. Segmentasi terbagi menjadi dua prinsip dasar,
yaitu:
a. Top down strategy - memotong objek yang besar menjadi beberapa bagian
kecil. Contoh : Chessboard Segmentation, Quadtree-Based Segmentation,
Contrast Filter Segmentation, Contrast Split Segmentation.
b. Bottom up strategy - menggabungkan beberapa bagian kecil menjadi suatu
objek yang besar. Contoh : Multiresolution Segmentation, Multi-Threshold
Segmentation and Auto Thresholds, dan Spectral Difference Segmentation
2.7. Segmentasi Pada eCognition

Menurut penelitian Nikhil and Sankar (1993) Segmentasi citra secara
umum didefinisikan sebagai proses mempartisi suatu gambar menjadi
kelompok yang homogen baik didaerah yang berdekatan ataupun tidak. Proses

TEKNIK GEOMATIKA
segmentasi citra banyak dilakukan dengan berbagai pendekatan algoritma salah

satunya adalah pendekatan dengan menggunakan algoritma segmentasi
multiresolusi. Konsep daripada segmentasi multiresolusi yaitu memisahkan
objek secara iteratif, dimana 2 objek (dimulai pada piksel tiap individu)
dikelompokkan hingga ambang batas yang mewakili varian objek paling atas
terpenuhi. Algoritma segmentasi multiresolusi bekerja dengan menggabungkan
piksel atau objek gambar yang sudah ada. Pada dasarnya, prosedur ini
mengidentifikasi objek gambar tunggal berukuran satu piksel dan
menggabungkannya dengan tetangganya berdasarkan kriteria homogenitas
relatif. Kriteria homogenitas ini merupakan kombinasi dari kriteria spektral dan
bentuk. Parameter yang digunakan adalah parameter skala, parameter bentuk,
dan parameter kekompakan untuk meminimalkan batas fraktal objek. Jika nilai
ambang parameter skala ditingkatkan, objek yang lebih besar akan dibentuk
meskipun ukuran dan dimensinya berbeda tergantung pada data yang
digunakan.
a. Scale Pameter
Parameter skala didasari pada nilai abstrak untuk menentukan
besarnya heterogenitas objek yang diperbolehkan dalam satu objek
(Trimble, 2013). Nilai parameter skala mempengaruhi ukuran objek rata-
rata. Parameter ini mempengaruhi heterogenitas maksimum dari objek.
Semakin besar parameter skala yang diberikan maka semakin besar objek
yang tersegmentasi (semakin kecil nilai skala maka akan semakin banyak
jumlah segmen yang dibentuk, begitu pula sebaliknya). Pada nilai skala
yang sama, kenampakan heterogen akan menghasilkan ukuran objek yang
lebih kecil daripada kenampakan homogen. Parameter skala yang diberikan
berbanding lurus dengan ukuran objek. Semakin besar nilai parameter skala
maka semakin besar heterogenitas yang diperbolehkan, sehingga
segmentasi yang dilakukan lebih kasar dan menghasilkan objek-objek
dengan ukuran yang lebih besar.
b. Shapes Parameter
Parameter bentuk didasari dengan pengaruh homogenitas bentuk
pada pembuatan objek. Semakin tinggi parameter bentuk yang diberikan

TEKNIK GEOMATIKA
maka homogenitas spektral semakin mempengaruhi generasi objek. Nilai

bobot parameter bentuk dipengaruhi oleh bobot parameter warna.
Pemberian nilai bobot harus disesuaikan dengan fenomena yang dikaji dan
karakteristik daerah kajian untuk mendapatkan hasil segmentasi yang baik.
Bobot parameter bentuk yang semakin besar akan menimbulkan proses
segmentasi lebih dan cenderung dipengaruhi oleh homogenitas spasial
dibandingkan dengan homogenitas objek spektral. Semakin tinggi nilai
parameter bentuk yang diberikan maka tekstur pada objek akan semakin
kuat, sedangkan penekanan pada tekstur tidak selalu menghasilkan objek
citra yang dikehendaki (Soininen, 2016).
c. Compactness Parameter
Parameter kekompakkan bekerja dengan cara memisahkan objek
seragam dengan yang tidak seragam berdasarkan perbedaan nilai spektral
yang relatif lemah. Semakin besar nilai parameter kekompakkan diberikan,
maka objek yang dihasilkan akan memiliki bentuk yang lebih seragam.
Nilai ini merupakan penyimpangan dari bentuk kompak ideal yang
diberikan (Soininen, 2016).

TEKNIK GEOMATIKA
BAB III
METODOLOGI
3.1. Lokasi
Kegiatan praktikum ini dilaksanakan secara daring di Kontrakan
GeoFunny, Jl. Beringin Raya 2 No 66, Maguwoharjo, Sleman, Daerah stimewa
Yogyakarta pada hari Jum’at, 17 November 2023.
3.2. Alat dan Bahan

Pada kegiatan praktikum pengolahan citra digital ini terdapat perangkat dan
data, diantaranya sebagai berikut :
1. Perangkat Keras (Hardware) yang dibutuhkan:
a. Laptop Acer Nitro 5
2. Perangkat Lunak (Software) yang dibutuhkan:
a. Software eCognition
b. Software ArcGIS 10.8
3. Data yang dibutuhkan:
a. Data Citra Satelit Area Provinsi Bali

TEKNIK GEOMATIKA
3.3. Diagram Alir
Gambar 3. 1 Diagram Alir Pelaksanaan Praktikum

TEKNIK GEOMATIKA
3.4. Langkah Kerja

Adapun langkah kerja yang dilakukan untuk melakukan pengolahan Object
Image Based Analysis (OBIA) yaitu sebagai berikut ini:
3..4.1. Software eCognition

1. Membuka software eCognition dan memilih Rule Set Mode.
2. Membuat project baru pengolahan dengan klik menu File → Create new
Project → Input data citra berformat .tiff → Memilih area yang akan
dilakukan pengolahan dengan cara klik Spatial Subset → Memilih area.

TEKNIK GEOMATIKA
3. Melakukan Process Tree dengan klik Process Tree → Klik kanan pada layer
process tree → Append new.
4. Mengatur algoritma dan parameter pada window Edit Process dengan

memilih algoritma Multiresolution Segmentation → Mengatur parameter →
Execute. Berikut ini parameter algoriymanya:

TEKNIK GEOMATIKA
Scale Parameter = 50
Shape = 0.7
Compactness = 0.5
5. Membuat class sampling area dengan cara klik Classification → Class

Hierarchy → Klik kanan → Insert Class → Beri nama kelas “Hutan
Tanaman” → Pilih warna dan ubah menjadi hijau tua → OK. Membuat
kelas lain dengan cara yang sama, meliputi, “Lahan Terbuka Alami Lain”,
“Bangunan Pemukiman”, dan “Permukaan diperkeras buka Gedung”
(Berdasarkan SNI Penutup Lahan Tahun 2014 Skala 1:250.000).

TEKNIK GEOMATIKA
6. Melakukan digitasi atau pengambilan sampel dari classsampling area yag

telah diuat sebelumnya dengan cara klik Classification → Samples →
Select Samples → Pilih area berdasarkan sampel yang dibuat.
7. Membuka Google Earth Pro untuk validasi kebenaran objek pada masing-
masing class sampling area agar mempermudah saat digitasi/pengambilan
objek.

TEKNIK GEOMATIKA
8. Mengatur setting klasifikasi Nearest Neighbor dengan cara klik

Classification → Nearest Neighbor → Edit Standart NN Feature Space →
Pilih Object Features → Layer Value → Mean → Standard Deviation →
OK.
9. Melakukan klasifikasi Nearest Neighbor dengan cara klik Classification →

Nearest Neighbor → Apply Standart NN to Classes → Pilih All....>> →
OK.

TEKNIK GEOMATIKA
10. Menampilkan hasil klasifikasi dengan cara klik kanan pada Process Tree
→ Append New → Pada algoritma pilih Classification → Pada Active Class
pilih semua kelas → OK → Execute.
11. Hasil belum terlihat sehingga harus menampilan hasil klasifikasi dengan
cara klik View Classification.
12. Menampilkan hasil digitasi dengan cara klik Pixel View/Object Mean View
dan Show Hide Outlines.

TEKNIK GEOMATIKA
13. Mengekspor hasil pengolahan kedalam format .shp

14. Melakukan layouting di software ArcMap 10.8

TEKNIK GEOMATIKA
BAB IV
HASIL DAN PEMBAHASAN
4.1. Hasil
Hasil yang didaptkan dari praktikum Object Based Image Analysis
yaitu sebagai berikut ini:
4.1.1. Tampilan Input Parameter Multiresolution Segmentation (Scale,
Shape dan Compactness)
Gambar 4. 1 Display Edit Process Pengaturan Algoritma

Multiresolution Segmentation (Sumber: dokumen pribadi)
4.1.2. Tampilan Hasil Multiresolution Segmentation
4.1.2.1. Sebelum Dilakukan Proses Multiresolution Segmentation
Gambar 4. 2 Cira Sebelum Dilakukan Proses Multiresolution

Segmentation (Sumber: dokumen pribadi)

TEKNIK GEOMATIKA
4.1.2.2. Setelah Dilakukan Proses Multiresolution Segmentation
Gambar 4. 3 Cira Setelah Dilakukan Proses Multiresolution

Segmentation (Sumber: dokumen pribadi)
4.1.3. Tampilan Hasil Akhir Dari Input Kelas-Kelas Klasifikasi
Gambar 4. 4 Hasil Akhir Input Class Sampling untuk Klasifikasi

(Sumber: dokumen pribadi)

TEKNIK GEOMATIKA
4.1.4. Tampilan Proses Digitasi/Pengambilan Sampel Kalsifikasi
Gambar 4. 5 Display Proses Digitasi/Pengambilan Sampel Klasifikasi

Class Hutan Tanaman (Sumber: dokumen pribadi)
4.1.5. Tampilan Sampel Klasifikasi Pada Setap Class Hierarchy
Gambar 4. 6 Display Sampel Klasifikasi Pada Setiap Class Heirarcy


TEKNIK GEOMATIKA
4.1.6. Tampilan Hasil Pengambilan Sampel Kalsifikasi Secara

Keseluruhan
Gambar 4. 7 Hasil Pengambilan Sampel Kalsifikasi Secara

Keseluruhan (Sumber: dokumen pribadi)
4.1.7. Tampilan Hasil Klasifikasi Nearest Neighbor
Gambar 4. 8 Hasil Klasifikasi Nearest Neighbor (Sumber: dokumen

pribadi)

TEKNIK GEOMATIKA
4.1.7. Peta Hasil Object Based Image Analysis (OBIA)
Gambar 4. 10 Peta Hasil Object Based Image Analysis (OBIA)

4.2. Pembahasan
Pada praktikum pengolahan citra digital ini, praktikan melakukan proses
Object Based Image Analysis (OBIA) menggunakan data citra (.tiff) area Provinsi
Bali untuk melakukan proses ekstaksi informasi objek-objek yang ada
dipermukaan bumi. Pemanfaatan OBIA ini digunakan karena metode yang
efisien untuk melakukan ekstraksi informasi yang berkaitan dengan objek-objek
di permukaan bumi dari data citra satelit. Metod eini memiliki pendekatan
algoritma yang sistematis dengan merepresentasikan citra sebagai kumpulan

TEKNIK GEOMATIKA
objek/region, sehingga tidak hanya piksel-piksel saja. Pengolahan dilakukan

dengan software eCognition, sehingga praktikan dapat memahami dan
mempraktikan proses ekstraksi iformasi yang akurat dan relevan dari citra satelit.
Proses pengolahan dimulai menggunakan software eCognition untuk
proses segmentasi citra dengan menerapkan metode multiresolution
segmentation. Metode tmultiresolution segmentation berkerja dengan
memaisahkan objek secara iteratif, dimana objek (piksel tiap individu)
dikelompokkan hingga ambang batas yang mewakili varian objek paling atas
terpenuhi. Kemudian akan menggabungkan piksel atau objek gambar yang sudah
ada berdasarkan kriteria homogenitas relatif. Kriteria homogenitas ini merupakan
kombinasi dari kriteria spektral dan bentuk. Parameter yang digunakan adalah
parameter skala, parameter bentuk, dan parameter kekompakan untuk
meminimalkan batas fraktal objek. Parameter yang digunakan pada pengolahan
ini dapat dilihat pada Tabel 4.1.
Tabel 4. 1 Parameter Mutliresolution Segmentation (Sumber: dokumen
pribadi)
Parameter Nilai
Scale Parameter 50
Shape 0.7
Compactness 0.5
Setelah proses multiresolution segmentation telah dilakukan, objek yang
telah terbentuk selanjutnya dibangun menjadi suatu hirarki objek ke dalam class
sampling. Hal ini memungkinkan representasi objek pada citra akan lebh
sistematis dan kompeherensif. Pada pengolahan ini dibuat 4 (empat) class
sampling seperti Tabel 4.2.
Tabel 4. 2 Pembagian Class Sampling (Sumber: dokumen pribadi)
Warna Class Nama Class

Hutan Tanaman
Lahan Terbuka Alami
Bangunan Pemukiman
Permukaan Diperkeras Bukan Gedung

TEKNIK GEOMATIKA
Class sampling yang terlah dibuat pada hirarki akan ditentukan sample
untuk menghasilkan kalsifikasi yang mendefinisikan kelas yang telah dibuat
sebelumnya. Hal ini akan mempermudah dalm pengambilan informasi pada
seluruh area yang relevan dengan sample yang ditentukan. Sehingga pemilihan
sampel harus merata karena menjadai hal penting untuk mengindentifikasi objek-
bjek yang diinginkan dan meningkatkan akurasi hasil kasifikasi.
Klasifikasi yang digunakan pada pengolahan ini yaitu Nearest Neighbor
Classification. Metode ini akan mengkasifiaksikan objek-objek ke dalam kategori
yang telah dibuat sebelummnya (class sampling) meliputi hutan tanaman, lahan
terbuka alami, bangunan pemukiman, dan permukaan diperkeras bukan
bangunan. Praktikan dapat melakukan validasi hasil klasifikasi dengan objek-
objek dipermukaan bumi melalui google earth. Jika ditemukan ketidaksesuan
hasil kalsifikasi, pramater dalam segmentasi dan klasifikasi perlu disetting agar
menghasilkan haisl yang akurat dan presisi.
Parmeter-parameter yang telah digunakan mejadi hal penting dalam
menghasilkan hasil yang optimal, shinga sama dengan kondisi permukaan bumi
asli. Penggunaan class sampling pada hirarki objek juga menjadi hal penting
untuk memberikan dasar kerja dalam proses klasifikasi objek-objek yang spesifk.

TEKNIK GEOMATIKA
BAB V
KESIMPULAN
5.1. Kesimpulan
Dari kegiatan praktikum Object Based Image Analysis (OBIA) yang telah
dilakukan, maka dapat diambil kesimpulan sebagai berikut:
1. Pada praktikum ini, pratikan telah melakukan pengolahan Object Based
Analysis (OBIA). OBIA menjadi metode yang efektif dalam proses ekstaksi
informasi objek-objek dari citra satelit. Dimana metode kerja nya dengan
membagi dan mengelompokkan objek atau region, sehingga menghasilkan
analisis yang lebih tepat dibandingkan degan pendekatan piksel.
2. Multiresolution segmentation pada citra satelit menjadi hal penting dalam
membentuk objek permukaan bumi berdasarkan parameter yang sesuai,
sehingga mengahsilkan hasil segementasi yang optimal dan memiliki
kompleksitas yang sesuai. Parameter yang digunakan meliputi, scale
paramaeter, shape parameter, dan compatcness parameter.
3. Pembentukan hirarki pada class sampling memungkinkan representasi
yang lebih konstektual dengan mendefinisikan sesuai kategori objek. Class
sampling yang digunakan meliputi, hutan tanaman, lahan terbuka alami,
bangunan pemukiman, dan permukaan diperkeras bukan gedung.
4. Parameter-parameter yang digunakan dalam pengolahan menjadi faktor
dalam hasil kalsifikasi, sehingga setiap parameter sebaiknya dilakukan tial
and error pada proses pengolahan agar menemukan parameter yang sesuai
dengan keragaman dan kompleksitas citra satelit.
5. Validasi dan evalusi diperlukan guna memastikan hasil yang akurat dan
presisi.
Dari kegiatan praktikum Object Based Image Analysis (OBIA) yang telah
dilakukan, praktikan telah menambah wawasan dan pegalama yang mendalam
dalam pengolahan segmentasi dan klasfikasi citra satelit Thanks, Lopp you All
ASLAB

TEKNIK GEOMATIKA
DAFTAR PUSTAKA
Jensen, J.R. (2005). "Introductory Digital Image Processing: A Remote Sensing

Perspective." Upper Saddle River, NJ: Prentice-Hall.
Alim, Wilujeng, DKK. 2019. Pemanfaatan Metode OBIA (Object Based Image
Analysis) Untuk analisis kesesuaian Penggunaan Lahan Aktual Terhadap
Rencana Tata Ruang Wilayah (RTRW) ((Studi Kasus : Kecamatan Serengan
dan Kecamatan Pasar Kliwon, Surakarta, Jawa Tengah). Jurusan Teknik
Geodesi, Fakultas Teknik Sipil dan Perencanaan, , Institut Teknologi Nasional
Malang. Kota Malang.
Blaschke, T., Lang, S., & Hay, G. J. (2014). Object-based image analysis: spatial
concepts for knowledge-driven remote sensing applications. Springer Science
& Business Media.
Hay, G. J., Castilla, G., Wulder, M. A., & Ruiz, J. R. (2019). An automated object-
based approach for the multiscale image segmentation of forest scenes. ISPRS
Journal of Photogrammetry and Remote Sensing, 98, 123-135.
Wibowo, T. S., & Suharyadi, S. (2009). Aplikasi Object-Based Image Analysis (OBIA)
untuk Deteksi Perubahan Penggunaan Lahan Menggunakan Citra ALOS
AVNIR-2. Jurnal Bumi Indonesia.
Nikfar, Maryam.dkk. (2012). Optimization of Multiresolution Segmentation by using a
genetic Algorithm. KNTU, Tehran, Iran. Frand Co, Tehran Iran

03 - 019 - Zakky Nurshidiq - Object Based Image Analysis OBIA

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

03 - 019 - Zakky Nurshidiq - Object Based Image Analysis OBIA

Diunggah oleh

Hak Cipta:

Format Tersedia

KEGIATAN – VIII

OBJECT BASED IMAGE ANALYSIS (OBIA)

LAPORAN PRAKTIKUM PENGOLAHAN CITRA DIGITAL

Nama : Zakky Nurshidiq

PROGRAM STUDI TEKNIK GEOMATIKA

1.1 Latar Belakang

2 | Praktikum Pengolahan Citra Digital

Implementasi OBIA dalam pemantauan lingkungan dan sumber daya

1.2 Rumusan Masalah

3 | Praktikum Pengolahan Citra Digital

2.1. Penginderaan Jauh

2.2. Citra Satelit

4 | Praktikum Pengolahan Citra Digital

2.4. Object Based Image Analysis (OBIA)

5 | Praktikum Pengolahan Citra Digital

analisis klasifikasi. Multiresolution Segmentation (MRS) yang dikembangkan

Menurut Nikfar dkk (2012) mempertimbangkan persamaan diatas,

2.5. Segmentasi Citra

6 | Praktikum Pengolahan Citra Digital

Segmentasi citra adalah proses pengolahan citra yang bertujuan memisahkan

2.6. Segmentasi Pada eCognition

2.7. Segmentasi Pada eCognition

7 | Praktikum Pengolahan Citra Digital

segmentasi citra banyak dilakukan dengan berbagai pendekatan algoritma salah

8 | Praktikum Pengolahan Citra Digital

maka homogenitas spektral semakin mempengaruhi generasi objek. Nilai

9 | Praktikum Pengolahan Citra Digital

3.2. Alat dan Bahan

10 | Praktikum Pengolahan Citra Digital

3.3. Diagram Alir

Gambar 3. 1 Diagram Alir Pelaksanaan Praktikum

11 | Praktikum Pengolahan Citra Digital

3.4. Langkah Kerja

3..4.1. Software eCognition

12 | Praktikum Pengolahan Citra Digital

4. Mengatur algoritma dan parameter pada window Edit Process dengan

13 | Praktikum Pengolahan Citra Digital

5. Membuat class sampling area dengan cara klik Classification → Class

14 | Praktikum Pengolahan Citra Digital

6. Melakukan digitasi atau pengambilan sampel dari classsampling area yag

15 | Praktikum Pengolahan Citra Digital

8. Mengatur setting klasifikasi Nearest Neighbor dengan cara klik

9. Melakukan klasifikasi Nearest Neighbor dengan cara klik Classification →

16 | Praktikum Pengolahan Citra Digital

17 | Praktikum Pengolahan Citra Digital

13. Mengekspor hasil pengolahan kedalam format .shp

18 | Praktikum Pengolahan Citra Digital

Gambar 4. 1 Display Edit Process Pengaturan Algoritma

4.1.2.1. Sebelum Dilakukan Proses Multiresolution Segmentation

Gambar 4. 2 Cira Sebelum Dilakukan Proses Multiresolution

19 | Praktikum Pengolahan Citra Digital

4.1.2.2. Setelah Dilakukan Proses Multiresolution Segmentation

Gambar 4. 3 Cira Setelah Dilakukan Proses Multiresolution

Gambar 4. 4 Hasil Akhir Input Class Sampling untuk Klasifikasi

20 | Praktikum Pengolahan Citra Digital

4.1.4. Tampilan Proses Digitasi/Pengambilan Sampel Kalsifikasi

Gambar 4. 5 Display Proses Digitasi/Pengambilan Sampel Klasifikasi

Gambar 4. 6 Display Sampel Klasifikasi Pada Setiap Class Heirarcy

21 | Praktikum Pengolahan Citra Digital

4.1.6. Tampilan Hasil Pengambilan Sampel Kalsifikasi Secara

Gambar 4. 7 Hasil Pengambilan Sampel Kalsifikasi Secara

Gambar 4. 8 Hasil Klasifikasi Nearest Neighbor (Sumber: dokumen

22 | Praktikum Pengolahan Citra Digital