(JAGAT) Jurnal Geografi Aplikasi Dan Teknologi

ISSN : 2549-9181│ e-ISSN : 2684-6705

│ Vol.6 │ No.1│ 2022

Monitoring Perubahan Tutupan Lahan dengan Metode Object-Based Image

Analysis (OBIA) Pada Citra Sentinel 2-A Tahun 2017- 2021
(Studi Kasus: Kecamatan Sungai Rumbai, Kabupaten Dharmasraya)

Hafa Mey Engrila1, Sri Kandi Putri,M, Sc2, Naf’an Arifian, M.Sc3
1
Mahasiswa Prodi D3 Teknologi Penginderaan Jauh Universitas Negeri Padang
2
Dosen Prodi D3 Teknologi Penginderaan Jauh, Universitas Negeri Padang
3
Dosen Prodi D4 Transportasi Laut, Politeknik Pelayaran Sumatera Barat

Email: hafameyengrila@gmail.com

Abstrak: Perkembangan lahan akibat ekspansi perubahan lahan non terbangun menjadi lahan
terbangun dan meningkatnya jumlah penduduk 4,01 % pada tahun 2017-2021 maka dilakukan
penelitian dengan tujuan melihat deteksi lahan dengan metode obia tahun 2017 – 2021 dan
melihat perubahan lahan yang terjadi baik itu luas lahan maupun perubahan lokasi lahan. Metode
Based Image Analysis (OBIA) terdiri dari segmentasi dengan algorithma example based
classification, dan overlay untuk melihat perubahan. Penelitian ini dilakukan di Kecamatan
Sungai Rumbai, Kabupaten Dharmasraya dengan menggunakan citra sentinel 2-A (level 1-C).
Hasil dari penelitian ini terdapat 5 klasifikasi tutupan lahan yaitu: lahan terbuka, perkebunan
karet, perkebunan sawit, permukiman dan semak. Perubahan tutupan lahan yang terjadi yaitu:
lahan terbuka meningkat sebesar 16,32 ha, perkebunan karet menurun 360,50 ha, perkebunan
sawit meningkat 302,05 ha, permukiman meningkat 60,60 Ha, dan semak menurun 18,51 ha.
Pada metode obia di dapatkan overall accuracy sebesar 94,44% dan kappa accuracy sebesar
89,58%.

Kata kunci: OBIA, overlay, sentinel 2-A, tutupan lahan.

Abstract: The development of land due to the expansion of changes in non-built land into built-up
land and an increase in the population of 4.01% in 2017-2021, a research was carried out with
the aim of seeing land detection using the Obia method in 2017-2021 and seeing land changes
that occurred both in land area and land area. change of land location. Based Image Analysis
(OBIA) method consists of segmentation with an example based classification algorithm, and
overlays to see changes. This research was conducted in Sungai Rumbai District, Dharmasraya
Regency using sentinel imagery 2-A (level 1-C). The results of this study there are 5 land cover
classifications, namely: open land, rubber plantations, oil palm plantations, settlements and
shrubs. Changes in land cover that occurred were: open land increased by 16.32 ha, rubber
plantations decreased by 360.50 ha, oil palm plantations increased by 302.05 ha, settlements
increased by 60.60 ha, and shrubs decreased by 18.51 ha. In the Obia method, the overall
accuracy is 94.44% and the Kappa accuracy is 89.58%.

Keywords: OBIA, overlay, sentinel 2-A, land cover.

April____264
 (JAGAT) Jurnal Geografi Aplikasi Dan Teknologi
1. PENDAHULUAN
Indonesia sebagai salah satu negara
Association of Southeast Asian Nations
(ASEAN) penghasil pertanian terbanyak dan
memiliki potensi ketersediaan lahan yang
cukup besar dan belum dimanfaatkan secara
optimal. Kebutuhan akan lahan yang
digunakan manusia meningkat sehingga
diperlukan analisis tutupan lahan. Salah satu
faktor yang mempengaruhi tutupan lahan
adalah pertumbuhan penduduk, Bintarto
dalam Djauhari Noor (2006)
mengungkapkan bahwa telah terjadi gerakan
penduduk yang terbalik dari kota ke daerah
pinggiran kota yang sudah termasuk ke
wilayah desa.
Kecamatan Sungai Rumbai dengan
letak Geografis 101o42' 23''-101o47' 38'' BT,
merupakan kecamatan dengan luas terkecil
di Dharmasraya 51.06 KM2 (BPS
Dharmasraya, 2020) yang dalam tiap
tahunnya pertumbuhan penduduk meningkat
4.01%, minimnya informasi spasial terhadap
lahan yang mana data terakhir di update
pada tahun 2011.
Informasi tutupan lahan dapat diperoleh
melalui data penginderaan citra sentinel 2-A
dengan resolusi 10 Meter sehingga
mendukung untuk memonitoring tutupan
lahan. Analisis multitemporal membantu
pemantauan dan perkembangan wilayah.
Interpretasi citra dilakukan dengan melihat
karakteristik dasar kenampakan masing-
masing tutupan lahan pada citra yang
dibantu dengan unsur-unsur interpretasi.
Perkembangan ekstraksi informasi citra
penginderaan jauh berbasis obyek menurut
Hurd et al (2006) yaitu pendekatan yang
proses klasifikasinya tidak hanya
mempertimbangkan aspek spectral namun
ISSN : 2549-9181│ e-ISSN : 2684-6705
│ Vol.6 │ No.1│ 2022
juga aspek spasial objek. Oleh karena itu,
perlu dilakukan penelitian klasifikasi tutupan
lahan berbasis objek dengan tujuan untuk
mengetahui tutupan lahan pada tahun 2017
dan 2021, dan mengetahui perubahan
tutupan lahan di Kecamatan Sungai Rumbai.
2. METODE
2.1 Jenis Penelitian
Metode pendekatan kuantitatif dalam
bentuk sekuensial (bertahap) dengan
klasifikasi Object Base Image Analyst
(OBIA) dan Overlay.
2.2 Waktu dan Lokasi Penelitian
Pengumpulan data: September-Oktober
2021. Analisis data: November-Desember
2021. Penelitian ini dilakukan di Kecamatan
Sungai Rumbai, Kabupaten Dharmasraya
dengan letak geografis 101o42' 23'' -101o47'
38'' BT. Dengan batas-batasnya:
 Sebelah Utara dengan Kecamatan Koto
Baru
 Sebelah Selatan dengan Kabupaten Tebo,
Provinsi Jambi
 Sebelah Timur dengan Kecamatan Koto
Salak
 Sebelah Barat dengan Kecamatan Koto
Besar
Gambar 1. Peta lokasi Penelitian
April____265
 (JAGAT) Jurnal Geografi Aplikasi Dan Teknologi
ISSN : 2549-9181│ e-ISSN : 2684-6705
│ Vol.6 │ No.1│ 2022

2.3 Alat Dan Bahan menggunakan band 4,3,2 (natural color)

Pembuatan penelitian ini dilakukan di untuk mengklasifikasikan daerah dengan
laboraturium Teknologi Penginderaan jauh, mudah, dan 8,4,3 (false color infrared)
Universitas Negeri Padang. untuk mengklasifikasikan daerah yang
bervegetasi.
3. Cropping data
Cropping data bertujuan untuk
memotong data raster citra sentinel 2-A agar
sesuai batas wilayah Kecamatan Sungai
Rumbai.
2. Tahap Pengolahan
1. Segmentasi
Pada proses OBIA langkah utama yang
dilakukan adalah segmentasi, diasumsikan
sebagai satu unit individu segmen yang
dikelaskan untuk membedakan tutupan lahan
yang saling berdekatan menjadi beberapa
objek spektral yang sejenis.
2. Klasifikasi Obia
Proses klasifikasi pada setiap segmen
atau objek sebagai unit terkecil dengan
membandingkan objek satu dengan yang
lain memungkinkan untuk menggabungkan
2.4 Teknik Pengolahan Data kelas objek yang mirip ke dalam kelas yang
1. Pra Pengolahan menjadi perhatian bagi pengguna. Kelas-
1. Koreksi Atmosferik kelas tersebut akan membentuk wilayah
Koreksi atmosferik bertujuan pada citra supaya setelah dilakukan
menghilangkan kesalahan radiansi yang klasifikasi pada citra dapat dianalisis dengan
terekam pada citra akibat dari hamburan warna atau symbol.
atmosfer (path radiance), dan menurunkan 3. Overlay
reflektansi objek dari total radiansi TOA Overlay bertujuan untuk menampalkan
setelah proses normalisasi kondisi data hasil klasifikasi peta tahun 2017 dengan
pencahayaan dan penghapusan efek peta tahun 2021 beserta atribut-atributnya.
atmosfer, dengan proses Dark Object 4. Layout
Substaction. Tahap terakhir adalah layout semua peta
2. Komposit Citra tutupan lahan dengan kaidah kartografis
Komposit citra bertujuan untuk dengan memperhatikan judul peta, skala
menggabungkan beberapa band pada citra peta, arah orientasi, koordinat/grid, legenda,
sentinel 2-A tahun 2017 dan 2021 Komposit simbol peta, toponimi, sumber pembuatan
band yang dilakukann yaitu dengan peta, identitas pembuat peta, dan nama
April____266
 (JAGAT) Jurnal Geografi Aplikasi Dan Teknologi
instansi yang membuat peta.
3. Tahap Akhir
1. Pembuatan Titik Sampel
Pengambilan titik sampel dengan
metode purposive random sampling dengan
formula Fitzpatrick Lins (McCoy, 2005:21-
22)
N = Jumlah sampel
Z = Standar deviasi normal yang nilainya
2 p = Ketelitian yang diharapkan (90%)
q = 100-p
E = Kesalahan yang diterima
Dalam penelitian ini ditetapkan sebesar
tingkat ketelitian 90% dan tingkat
kesalahannya 10%.
1. Survey lapangan
Untuk melakukan uji sampel dilapangan
setelah menghitung nilai sampel masing-
masing kelas digunakan aplikasi Avenza
Map dan GPS Esentials.
2. Uji Akurasi
Uji ketelitian klasifikasi bertujuan untuk
memperoleh nilai kedekatan hasil klasifikasi
dengan data ukuran sebenarnya. Untuk
menentukan keakuratan data penginderaan
jauh dibuktikan menggunakan matriks
kesalahan yang membandingkan data
melalui citra yang diperoleh dengan data
lapangan yang didapat. Hasil uji akurasi
klasifikasi tutupan lahan dengan menghitung
producer’s accuracy (akurasi produser),
user’s accuracy (pengguna) dan overall
accuracy (keseluruhan).
Adapun persamaan sistematisnya adalah
Procedur’s accuracy = x 100%……….(1)
ISSN : 2549-9181│ e-ISSN : 2684-6705
│ Vol.6 │ No.1│ 2022
User’s accuracy = x 100% … .…(2)
Overall accuracy = x 100%....... .(3)
Kappa accuracy = . (4)
Keterangan :
Xii= Nilai diagonal dari matrix kontingensi
baris ke-i dan kolom ke-i
X+I = Jumlah piksel dalam kolom ke-i
Xi+ = Jumlah piksel dalam baris ke-i
N = Banyaknya piksel dalam contoh
3. HASIL DAN PEMBAHASAN
3.1 . Tutupan Lahan 2017
Gambar 2. Peta tutupan lahan kecamatan
sungai rumbai 2017
Hasil tutupan lahan Kecamatan Sungai
Rumbai 2017 yang paling luas yaitu
perkebunan karet dengan luas 3.720,98 ha
dan persentase 76,24% menyebar secara
merata di seluruh nagari yang ada di
Kecamatan Sungai Rumbai, permukiman
dengan luas 442,47 ha dan persentase 9,07%
pada Nagari Sungai Rumbai, Nagari Sungai
Rumbai Timur, dan Nagari Kurnia Selatan,
perkebunan sawit dengan luas 367,89 ha dan
persentase 7,53% sebagian besar menyebar
di Nagari Sungai Rumbai dan Nagari Sungai
Rumbai Timur, semak dengan luas 205,04
ha dan persentase 4,20% dengan pola
menyebar di setiap Nagari di Kecamatan
April____267
 (JAGAT) Jurnal Geografi Aplikasi Dan Teknologi
ISSN : 2549-9181│ e-ISSN : 2684-6705
│ Vol.6 │ No.1│ 2022

Sungai Rumbai, dan tutupan lahan yang pola mengelompok di Nagari Sungai
paling sedikit yaitu lahan terbuka dengan Rumbai dan Nagari Sungai Rumbai Timur.
luas 144,07 ha dan persentase 2,95% 3.3 Perubahan Tutupan Lahan
sebagian besar berada di Nagari Kurnia Koto
Salak, dan Nagari Sungai Rumbai.
3.2 Tutupan Lahan 2021

Gambar 4. Peta perubahan tutupan lahan

kecamatan sungai rumbai 2017-2021

Gambar 3. Peta tutupan lahan kecamatan Hasil dari perubahan tutupan lahan 2017-
sungai rumbai 2021 2021 terjadi akibat ekspansi lahan sehingga
perubahan lahan yang terjadi mengakibatkan
Hasil tutupan lahan Kecamatan Sungai
beberapa tutupan lahan mengalami
Rumbai yang paling luas yaitu perkebunan
perubahan lokasi seperti Lahan Terbuka
karet dengan luas 3.360,48 ha dan
meningkat pada tahun 2021 sebesar 16,36
persentase 68,86% dengan pola menyebar
ha, Perkebunan Karet menurun pada tahun
di seluruh Nagari di Kecamatan Sungai
2021 sebesar 360,5 ha, Perkebunan Sawit
Rumbai, perkebunan sawit dengan luas
meningkat pada tahun 2021 sebesar 302,05
669,94 ha dan persentase 13,73% dengan
ha, Permukiman meningkat pada tahun 2021
pola mengelompok di Nagari Kurnia
sebesar 60,6 ha, dan Semak menurun pada
Selatan, Nagari Sungai Rumbai, dan Nagari
tahun 2021 sebesar 18,51 ha.
Sungai Rumbai Timur, permukiman dengan
3.4. Uji Akurasi
luas 503,07 ha dan persentase 10,31%
dengan pola mengelompok pada masing-
masing Nagari di Kecamatan Sungai
Rumbai dengan persentase tertinggi di
Nagari Sungai Rumbai dan Nagari Sungai
Rumbai Timur, semak dengan luas 186,53
ha dengan persentase 3,81 % dengan pola
tidak beratur di masing-masing Nagari di
Kecamatan Sungai Rumbai dengan situs
perkebunan dan permukiman, dan tutupan Untuk mengetahui tingkat ketelitian
lahan yang kecil lahan terbuka dengan luas hasil klasifikasi citra dengan cek lapangan
160,43 ha dan persentase 3,29% dengan maka di perlukan uji akurasi confussion
April____268
 (JAGAT) Jurnal Geografi Aplikasi Dan Teknologi
matrix, seperti nilai akurasi pengguna (user
accuracy), akurasi pembuat (producer
accuracy), akurasi keseluruhan (overall
accuracy) dan akurasi kappa (kappa
accuracy). Berdasarkan uji akurasi tutupan
lahan menggunakan metode OBIA pada
tahun 2021 menunjukkan akurasi
keseluruhan (overall accuracy) sebesar
94,44% dan akurasi kappa (kappa accuracy)
sebesar 89,58%.
4. KESIMPULAN
Pada penelitian tutupan lahan dengan
menggunakan klasifikasi Object-Based
Image Analisys (OBIA) citra sentinel 2-A
level 1 C yang telah terkoreksi geometrik
dan radiometrik dengan daerah penelitian
Kecamatan Sungai Rumbai di hasilkan 5
klasifikasi tutupan lahan yaitu semak,
perkebunan karet, perkebunan sawit,
permukiman, dan semak. Metode klasifikasi
berbasis objek mampu memberi informasi
tutupan lahan cukup baik karena dilakukan
dengan membagi segmen berupa kelompok
piksel yang mirip satu sama lain dilihat dari
warna, ukuran dan bentuk.
Perubahan tutupan lahan terjadi akibat
proses ekspansi lahan dari tahun 2017-2021
dengan meningkatnya luas lahan terbuka
sebesar 16,36 ha, perkebunan sawit
meningkat sebesar 302,50 ha, dan
permukiman meningkat sebesar 60,60 ha,
pada tahun 2021 dan menurunnya luas
lahan perkebunan karet sebesar 360,50 ha,
dan semak pada tahun 2021 menurun
sebesar 18,51 ha. Dari uji akurasi yang
dilakukan menggunakan error matrix pada
citra sentinel 2-A tahun 2021 didapatkan
akurasi keseluruhan 94,44% dan akurasi
kappa 89,58%.
ISSN : 2549-9181│ e-ISSN : 2684-6705
│ Vol.6 │ No.1│ 2022
DAFTAR PUSTAKA
Awaliyan, R., & Sulistyoadi, Y. B. (2018).
Klasifikasi Penutupan Lahan Pada
Citra Satelit Sentinel-2a Dengan
Metode Tree Algorithm. ULIN: Jurnal
Hutan Tropis, 2(2), 98–104.
https://doi.org/10.32522/ujht.v2i2.136
BPS Kabupaten Dharmasraya. (2017)
Dharmasraya Dalam Angka Tahun
2017. Dharmasraya, BPS.
BPS Kabupaten Dharmasraya. (2020)
Dharmasraya Dalam Angka Tahun
2020. Dharmasraya, BPS.
ESA. 2015. Sentinel-2 User Handbook. ESA
Standard Document User Handbook.
European Space Agency.
Fitriawan, D. (2020). Uji Akurasi Klasifikasi
Terbimbing Berbasis Piksel Pada Citra
Sentinel 2-A Menggunakan Citra Tegak
Resolusi Tinggi Tahun 2019 di Kota
Padang. Jurnal Azimut, 3(01), 21-27.
Gong, P., J. Wang, L. Yu, Y. Zhao, Y. Zhao,
L. Liang, Z. Niu, X. Huang, H. Fu, and
S. Liu. 2013. Finer resolution
observation and monitoring of global
land cover: First mapping results with
Landsat TM and ETM+ data.
International Journal of Remote Sensing
34 (7):2607-2654.
Jaya, I. (2002). Penginderaan Jauh Satelit
untuk Kehutanan. Jurusan Manajemen
Hutan. Fakultas Kehutanan IPB. Bogor.
Jia, K., X. Wei, X. Gu, Y. Yao, X. Xie, and
B. Li. 2014. Land cover classification
using Landsat 8 operational land
imager data in Beijing, China. Geocarto
International 29 (8):941-951.
Julzarika A, Carolita I. 2015. Klasifikasi
April____269
 (JAGAT) Jurnal Geografi Aplikasi Dan Teknologi
Penutup Lahan Berbasis Objek pada
Citra Satelit SPOT dengan
Menggunakan Metode Tree Algorithm.
Majalah Ilmiah Globe. 17(2): 97-104.
Lillesand, T.M., dan kiefer, R.W., 1997,
Penginderaan Jauh dan Interpretasi
Citra (Terjemahan), Yogyakarta :
Gadjah Mada University Press,
Universitas Gadjah Mada Yogyakarta.
Marangoz, A. M., Sekertekin, A., & Akçin,
H. (2017). Analysis of land use land
cover classification results derived from
sentinel-2 image. Proceedings of the
17th International Multidisciplinary
Scientific GeoConference Surveying
Geology and Mining Ecology
Management, SGEM, 25-32.
McCoy, Roger. (2005). Field Methods in
Remote Sensing. New York: The
Gildford Press.
Nofrizal, A. Y. (2018). Identifikasi
Perubahan Penggunaan Lahan di Kota
Solok, Sumatera Barat Berbasis
Penginderaan Jauh dan SIG dengan
menggunakan Object Base Image
Analyst (OBIA). GEOTIK II, 96-104.
Pei, Wenming, et al. "Mapping and
detection of land use change in a coal
mining area using object-based
image analysis." Environmental Earth
Sciences 76.3 (2017): 125.
Putri, D. R., Sukmono, A., & Sudarsono, B.
(2018). Analisis Kombinasi Citra
Sentinel-1a dan Citra Sentinel-2a untuk
Klasifikasi Tutupan Lahan (Studi
Kasus: Kabupaten Demak, Jawa
Tengah). Jurnal geodesi undip, 7(2), 85-
96.
Ritohardoyo, Su. 2009. Perencanaan
Penggunaan Lahan. Yogyakarta:
ISSN : 2549-9181│ e-ISSN : 2684-6705
│ Vol.6 │ No.1│ 2022
Fakultas Geografi.
Sampurno, R. M., and A. Thoriq. 2016.
Klasifikasi Tutupan Lahan
Menggunakan Citra Landsat 8
Operational Land Imager (Oli) Di
Kabupaten Sumedang (Land Cover
Classification Using Landsat 8
Operational Land Imager (Oli) Data In
Sumedang Regency). Jurnal Teknotan
Vol 10 (2):61-70.
Santosh, C., Krishnaiah, C., & Praveen, G.
D. Land use/Land Cover and Change
Detection in Chikodi Taluk, Belagavi
District, Karnataka using Object based
Image Classification.
Susanto, H., & Hidayat, S. (2016). Ekstraksi
Informasi Penutup Lahan Area Luas
Dengan Metode Expert Knowledge
Object-Based Image Analysis (OBIA)
Pada Citra Landsat 8 Oli Pulau
Kalimantan. Majalah Ilmiah Globe,
18(1), 9-20.
Sutanto. 1987. Penginderaan Jauh Dasar II.
Yogyakarta : Gadjah Mada University
Press.
Syahar, F., Ramadhan, R., & Putri, S.
(2020). Statistical interpretation of land
value patterns in padang, Indonesia.
GEOMATE Journal, 19(72), 109-116.
Wibowo, T. S., & R Suharyadi, R. S. (2012).
Aplikasi Object-Based Image Analysis
(OBIA) untuk Deteksi Perubahan
Penggunaan Lahan Menggunakan Citra
ALOS AVNIR-2. Jurnal Bumi Indonesia,
1(3).
Yanuarsyah, I. (2015). Analisis Perubahan
Penggunaan Lahan Pertanian Presisi
dengan Metode OBIA (Studi Kasus di
Kecamatan Dramaga, Kabupaten
Bogor). Krea-TIF, 3(1).
April____270