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

net/publication/349551694

Classification of Vegetation and Land Cover in UAV Images Using the Object-
Based Image Analysis Method in Segara Anakan, Cilacap Regency

Conference Paper · February 2019

CITATIONS READS

0 1,321

6 authors, including:

Johannes Riter Sitompul Fikri Ramadhan Pratama

Esri Indonesia Universitas Gadjah Mada
2 PUBLICATIONS 1 CITATION 2 PUBLICATIONS 1 CITATION

SEE PROFILE SEE PROFILE

Hendry Siagian
Universitas Diponegoro
26 PUBLICATIONS 86 CITATIONS

SEE PROFILE

All content following this page was uploaded by Hendry Siagian on 24 February 2021.

The user has requested enhancement of the downloaded file.

Seminar Nasional Penginderaan Jauh ke-6 Tahun 2019

Klasifikasi Vegetasi dan Tutupan Lahan Pada Citra UAV Menggunakan

Metode Object-Based Image Analysis di Segara Anakan,
Kabupaten Cilacap

Classification of Vegetation and Land Cover in UAV Images Using the

Object-Based Image Analysis Method in Segara Anakan, Cilacap Regency

Johannes R. Sitompul1*), Corina D. Ruswanti1, Haries Sukandar1, Aldico S. Ganesa1,

Fikri R. Pratama1, Hendry S.R Siagian1,2 dan Rudhi Pribadi2

1
Divisi Survey & Investigasi, CV. Aksa Jaladhi Angkasatama
2
Fakultas Perikanan dan Ilmu Kelautan, Universitas Diponegoro
*)
E-mail: johannesriter@gmail.com

ABSTRAK - Kajian mengenai klasifikasi pada bidang penginderaan jauh semakin meningkat seiring perkembangan
teknologi. Dengan menggunakan citra satelit, manusia dapat melakukan interpretasi terhadap suatu area yang sedang
atau akan diteliti. Berkembangnya teknologi, menghadirkan sarana penginderaan jauh yang lebih praktis dan lebih
mudah penerapannya yaitu Unmanned Aerial Vehicle (UAV) atau drone. Pembuatan informasi spasial berdasarkan data
foto udara menggunakan drone sangat memberikan potensi baik terhadap pengembangan teknologi penginderaan jauh
seperti untuk klasifikasi suatu area. Penelitian ini membahas mengenai pemetaan menggunakan metode klasifikasi
vegetasi dan tutupan lahan berbasis obyek berdasarkan informasi nilai indeks vegetasi (NDVI) dan klasifikasi nearest
neighbour pada training samples yang telah ditentukan. Hasil dari penelitian ini menunjukkan metode klasifikasi
dengan Object-Based Image Analysis (OBIA) memiliki keluaran peta klasifikasi yang cukup detil. Berdasarkan
pengolahan citra foto udara ini didapatkan hasil klasifikasi yang tidak terpaut jauh antara interpretasi visual dan
keakuratan hasil klasifikasi, yaitu dengan nilai overall accuracy sebesar 97,56% dan koefisien kappa sebesar 0,956 pada
citra hasil segmentasi/klasifikasi.

Kata kunci: drone, klasifikasi, OBIA, spasial, tutupan lahan, vegetasi

ABSTRACT - The study of classification in the field of remote sensing is increasing along with technological
developments. By using satellite imagery, humans can interpret an area that is being or will be studied. The
development of technology, presents remote sensing facilities that are more practical and easier to implement, namely
Unmanned Aerial Vehicle (UAV) or drones. The production of spatial information based on aerial photo data using
drones greatly provides good potential for the development of remote sensing technologies such as for the classification
of an area. This study discusses mapping using object-based vegetation and land cover classification methods based on
information on vegetation index (NDVI) value and nearest neighbor classification in predetermined training samples.
The results of this study indicate that the classification method with Object-Based Image Analysis (OBIA) has a detailed
classification map output. Based on the processing of aerial photo imagery, the classification results are not far
between the visual interpretation and the accuracy of the classification results, with an overall accuracy of 97.56% and
a kappa coefficient of 0.956 in the segmented / classification image.

Keywords: drone, classification, OBIA, spatial, land cover, vegetation

504
Klasifikasi Vegetasi dan Tutupan Lahan Pada Citra UAV Menggunakan Metode Object-Based Image Analysis di Segara Anakan,
Kabupaten Cilacap (Sitompul, J.R., dkk)

1. PENDAHULUAN

Pengolahan data penginderaan jauh sudah menjadi kebutuhan yang cukup penting dalam industri
pemetaan, terutama citra satelit beresolusi tinggi yang sangat banyak digunakan dalam pemetaan skala besar.
Sebut saja, citra Ikonos, Quickbird, WorldView, dan masih banyak lagi contoh citra satelit resolusi tinggi
yang menjadi primadona dalam pemanfaatan penginderaan jauh yang memiliki nilai akurasi cukup tinggi
dalam satu dekade terakhir (Rudianto, 2010).
Selain menggunakan citra satelit, terdapat salah satu teknologi alternatif untuk mendapatkan data yang
lebih cepat, murah, real time dan detil yaitu dengan foto udara menggunakan pesawat nir awak (UAV) atau
drone. Dengan menggunakan UAV dalam kegiatan pemetaan, akan sangat banyak kelebihan yang
didapatkan, antara lain waktu serta durasi perolehan informasi data yang cepat dan fleksibel, harga
operasional dan investasi alat yang cukup terjangkau, serta hasil yang lebih real time dan detil dibandingkan
citra satelit (Shofiyati, 2011). Dikarenakan pemotretan udara dengan menggunakan UAV dilakukan pada
ketinggian di bawah awan, sehingga menghindari hasil citra dengan tutupan awan yang tinggi dan memiliki
hasil yang lebih tajam jika dibanding dengan citra satelit yang banyak dipengaruhi oleh kondisi atmosfer
(Kushardono, 2014).
Seiring dengan kemajuan teknologi pada bidang penginderaan jauh ini, para praktisi dituntut untuk
melakukan pengembangan metode-metode dalam ekstraksi sebuah citra dengan menggunakan metode
klasifikasi untuk mendapatkan hasil yang lebih tepat dan akurat (Danoedoro, 2012). Dalam analisa spasial
pada citra penginderaan jauh dapat dilakukan beberapa analisis untuk mendapatkan output dalam rupa peta
baik umum ataupun tematik. Salah satu analisa yang dilakukan untuk mendapatkan informasi data dan hasil
yang akurat dalam merepresentasikan kesesuaian antara data citra dan kondisi di lapangan yaitu dengan
teknik pengkelasan atau klasifikasi. Secara umum ada dua teknik klasifikasi yaitu klasifikasi visual dan
klasifikasi digital. Teknik klasifikasi visual merupakan klasifikasi dengan melakukan interpretasi dan
delineasi pada citra secara langsung. Sedangkan pada klasifikasi digital, piksel-piksel pada suatu citra yang
diproses dengan karakteristik spektral yang sama (dengan asumsi sebagai kelas yang sama) diidentifikasi dan
ditetapkan dalam suatu warna baik melalui metode supervised (klasifikasi terbimbing) atau metode
unsupervised (tidak terbimbing, berdasarkan nilai digital citra) dengan menggunakan perangkat lunak
tertentu (Noviar dkk., 2012).
Metode klasifikasi digital yang cukup sering digunakan salah satunya adalah metode berbasis piksel
untuk mendapatkan pengkelasan berdasarkan informasi dalam setiap piksel citra. Namun metode berbasis
piksel kurang optimal apabila dilakukan pada data penginderaan jauh skala rinci seperti citra satelit resolusi
tinggi dan UAV dikarenakan metode ini biasa digunakan untuk skala menengah atau rendah. Untuk
mendapatkan hasil yang lebih optimal pada pemanfaatan UAV ini, perlu dilakukan pengklasifikasian dengan
berdasarkan obyek sebab pada data yang memiliki resolusi tinggi obyek cukup jelas terlihat dan apabila
menggunakan metode berbasis piksel maka hasil yang didapat kurang akurat terutama pada obyek-obyek
tertentu yang memiliki koefisien berbeda (Sari dan Kushardono, 2014).
Pada penelitian ini, metode yang digunakan adalah klasifikasi berbasis obyek atau Object-Based Image
Analysis (OBIA) dimana metode ini didasarkan pada segmentasi multiresolusi ke area-area yang homogen
dengan parameter-parameter seperti scale, shape, compactness, dan informasi indeks vegetasi (NDVI) untuk
memisahkan objek satu dengan yang lain. Ketiga parameter utama pada segmentasi multiresolusi ini, yaitu
bentuk, skala, dan kekompakan kemudian diisi dengan nilai yang bervariasi untuk mendapatkan hasil
segmentasi yang sesuai untuk klasifikasi digital (Setiani, 2016). Dengan segmentasi seperti ini akan sangat
mendasari kemajuan analisa citra dan waktu pengolahan yang lebih efisien, serta dapat menghasilkan peta
penggunaan dan tutupan lahan yang baik. Data mengenai penggunaan dan tutupan lahan akan sangat penting
dalam perencanaan pengelolaan suatu kawasan. Data tersebut bermanfaat dalam identifikasi awal kesesuaian
lahan ataupun perubahan atau pemugaran suatu lahan yang ingin dikelola lebih lanjut (Marpu, 2009).
Sebagai analisa untuk uji akurasi metode klasifikasi ini, digunakan matriks konfusi (Confusion Matrix)
yaitu matriks kesalahan yang membandingkan antar kategori dan hubungan antara data yang menjadi
referensi dan hasil klasifikasi. Pada matriks ini akan didapat besaran akurasi pembuat (producers accuracy),

505
Seminar Nasional Penginderaan Jauh ke-6 Tahun 2019

akurasi pengguna (users accuracy), akurasi keseluruhan (overall accuracy), dan koefisien kappa (Kappa
coeficient) (Arisondang, 2015).
Penelitian ini bertujuan untuk mengkaji metode klasifikasi berbasis obyek melalui informasi nilai
NDVI untuk klasifikasi vegetasi dan metode nearest neighbour untuk tutupan lahan pada data citra UAV.

2. METODE
2.1 Bahan
Data primer yang menjadi kajian pada penelitian kali ini adalah data foto udara dari unit drone DJI
Phantom 3 Advance yang diakuisisi oleh tim survey dari Aksa Jaladhi Angkasatama pada tanggal 14 - 15
Maret 2019 di bagian timur laut dari Segara Anakan, Kabupaten Cilacap dengan ketinggian jelajah 100
meter dan luas area yang ter-cover sebesar 248 Ha. Format data yang dihasilkan memiliki resolusi spasial
5,31 cm dengan ukuran 4000 piksel x 3000 piksel seperti yang ditunjukkan pada Gambar 1.

Gambar 1. Citra Foto Udara DJI Phantom 3 Advance yang digunakan untuk klasifikasi

2.2 Metode

Metode yang diusulkan pada penelitian ini adalah klasifikasi dengan kombinasi antara segmentasi dan
klasifikasi berbasis obyek dengan metode nearest neighbour sebagai analisa tutupan lahan dan nilai indeks
vegetasi pada analisa vegetasi mangrove dan non-mangrove dengan menggunakan perangkat lunak
eCognition Developer 64. Tahapan klasifikasi yang dilakukan adalah seperti yang ditunjukkan pada Gambar
2.

Gambar 2. Diagram alir klasifikasi

506
Seminar Nasional Penginderaan Jauh ke-6 Tahun 2019

2.2.1 Segmentasi

Segmentasi dilakukan dengan menggunakan segmentasi multiresolusi pada perangkat lunak Trimble’s
eCognition Developer 64 dimana algoritma segmentasi menekankan pada pengoptimalan nilai obyek dengan
meminimalkan rata-rata heterogenitas obyek gambar pada suatu resolusi tertentu seperti ditunjukkan pada
Gambar 3. Dengan parameter skala yang menjadi acuan dalam pembuatan segmen-segmen tersebut,
ditentukan nilai maksimum heterogenitas yang diperbolehkan dalam memproduksi obyek gambar yang akan
dianalisa. Parameter skala diuji coba beberapa nilai hingga mendapat angka yang optimal berdasarkan
variabilitas kelas atau tutupan lahan yang ada pada citra. Segmen obyek yang dihasilkan akan semakin
sedikit apabila semakin besar angka parameter skala yang diberikan, begitu pun sebaliknya apabila angka
skala parameter semakin kecil maka segmen obyek yang terdiferensiasi akan semakin banyak (eCognition,
2014).

Gambar 3. Segmentasi Multiresolusi

2.2.2 Klasifikasi Berbasis Obyek

Metode klasifikasi ini dilakukan dengan metode Nearest Neighbour yaitu mengambil data referensi
sebagai training sample berdasarkan kelas atau tutupan lahan yang tersaji pada citra seperti ditunjukkan pada
Gambar 4. Data tersebut diambil secara acak dan dianggap mewakili suatu kelas yang akan diklasifikasi.
Klasifikasi berbasis obyek memiliki akurasi pemisahan antar obyek yang lebih baik dan lebih presisi. Selain
itu, waktu pengerjaan dengan menggunakan metode klasifikasi ini lebih efisien karena segmentasi
berdasarkan obyek dan bukan piksel. Konsep dasar dari metode nearest neighbour ini yaitu dengan melihat
pola persebaran dari sampel-sampel obyek yang dijadikan referensi atau perbandingan dengan menggunakan
perhitungan yang mempertimbangkan jarak, jumlah sampel, dan luas wilayah dengan formula sebagai
berikut:

𝐷(𝑂𝑏𝑠)
𝑅𝑛 = 𝑎
................................................................................................................................... (1)
0.5 𝑛

dimana:
Rn : Nilai nearest neighbour
𝐷(𝑂𝑏𝑠) : rata-rata jarak hasil observasi nearest neighbour
a : Luas wilayah
n : jumlah training sampel

507
Seminar Nasional Penginderaan Jauh ke-6 Tahun 2019

Dengan melihat homogenitas dari obyek-obyek yang telah ditentukan berdasarkan parameter skala dan
analisa nearest neighbour tadi, kemudian dikombinasikan dengan algoritma NDVI dari perhitungan pada
kanal NIR dan kanal merah citra UAV tersebut untuk mendapatkan pengkelasan vegetasi yang lebih detail
dengan mengacu pada nilai indeks vegetasi itu sendiri. Hal ini dilakukan dikarenakan penambahan suatu
nilai tertentu dari homogenitas bentuk yang sudah tersegmentasi seringkali dapat menambah kualitas
ekstraksi obyek pada citra (Noviar, 2012).

Gambar 4. Training sample sebagai interpretasi awal untuk menguji keakuratan klasifikasi

2.2.3 Matriks Konfusi

Perhitungan matriks kesalahan dilakukan untuk mendapatkan nilai akurasi keseluruhan (overall
accuracy) dan akurasi kappa (Kappa accuracy) sebagai representasi pengujian akurasi dari hasil klasifikasi
yang ditampilkan terhadap data referensi yang dijadikan bahan pembanding. Matriks tersaji dalam bentuk
angka-angka jumlah obyek dalam baris dan kolom yang menunjukkan kategori tingkat akurasi klasifikasi
yang akan dinilai ke dalam bentuk persentase. Koefisien Kappa didapatkan dengan pengolahan
menggunakan perangkat lunak SPSS guna menghasilkan perhitungan dengan menggunakan standar
kesalahan asimptotik dengan asumsi hipotesis nol.

3. HASIL DAN PEMBAHASAN

Hasil klasifikasi yang dilakukan pada citra UAV ini menunjukkan adanya pemisahan obyek
berdasarkan segmentasi yang telah dilakukan. Segmentasi multiresolusi dilakukan dalam parameter skala 50
karena dengan menggunakan skala ini mendapatkan akurasi dan pembagian segmen obyek yang cukup.
Klasifikasi yang dilakukan menggunakan metode nearest neighbour dengan membuat training sample
sebagai interpretasi awal berdasarkan pengkelasan yang ada pada citra UAV. Pengkelasan dilakukan dengan
memilih beberapa kombinasi kelas yang dianggap mewakili keseluruhan kelas pada citra yang akan
diklasifikasi. Hasil klasifikasi yang dilakukan pada citra UAV menunjukkan nilai rata-rata akurasi 97,56%
dengan koefisien kappa sebesar 0,956. Kelas-kelas yang teridentifikasi dari hasil klasifikasi ini yaitu air,
508
Seminar Nasional Penginderaan Jauh ke-6 Tahun 2019

mangrove, non-mangrove, jalan, lahan terbuka, dan bangunan/sarana. Dengan training sample yang telah
ditentukan sebelumnya sebagai uji keakuratan klasifikasi ini menunjukkan bahwa sebagian besar kelas
diklasifikasikan dengan akurat seperti ditunjukkan pada Tabel 1. Hasil klasifikasi dan perhitungan koefisien
kappa ditunjukkan pada Gambar 5 dan 6.
Tabel 1. Persentase akurasi hasil klasifikasi vegetasi dan tutupan lahan dari citra UAV

Gambar 5. Hasil klasifikasi OBIA dengan metode yang diusulkan pada penelitian ini

Symmetric Measures
Value Asymp. Std. Approx. Tb Approx. Sig.
Errora
Measure of Agreement Kappa ,956 ,009 49,005 ,000
N of Valid Cases 740
a. Not assuming the null hypothesis.
b. Using the asymptotic standard error assuming the null hypothesis.
Gambar 6. Hasil perhitungan koefisien kappa menggunakan SPSS

509
Seminar Nasional Penginderaan Jauh ke-6 Tahun 2019

Pada kelas air, segmen atau obyek yang teridentifikasi secara tepat sebagai air mencapai 98,77%. Kelas
air yang diasumsikan sebagai kelas lain yaitu kelas mangrove sebesar 1,23%. Visualisasi kelas air cukup
memiliki kemiripan dengan mangrove, terlebih area mangrove di dekat sungai yang bisa saja
terklasifikasikan sebagai kelas air. Kelas mangrove yang teridentifikasi secara tepat mencapai 93,96%,
terklasifikasikan sebagai air sebesar 1,34%, 2,68% sebagai non-mangrove dan 2,01% sebagai lahan terbuka.
Kelas selanjutnya yaitu non-mangrove memiliki akurasi sebesar 96,48%, terkategorikan sebagai mangrove
sebesar 2,20% dan sebagai lahan terbuka sebesar 1,32%. Segmen mangrove, non-mangrove, dan lahan
terbuka sangat sering terklasifikasi sebagai obyek yang serupa dikarenakan kenampakan dan nilai kelas yang
cukup mirip antar ke tiga kelas tersebut, terlebih seperti kenampakan antara mangrove dan non-mangrove
yang sangat mirip sehingga diperlukan pengoptimalan klasifikasi menggunakan metode NDVI. Kelas jalan
memiliki nilai akurasi yang sangat tepat yaitu sebesar 100%. Hal ini dikarenakan visualisasi dan kekasaran
jalan yang memiliki ciri kelas yang sangat spesifik sehingga memudahkan proses pengkelasan pada kelas
tersebut. Selanjutnya kelas lahan terbuka memiliki tingkat akurasi mencapai 96,13%, sementara 1,29%
dikategorikan sebagai mangrove dan 2,58% sebagai non-mangrove, serta kelas untuk bangunan/sarana
memiliki nilai akurasi sebesar 100%.

4. KESIMPULAN

Penelitian ini menggunakan data citra foto udara beresolusi tinggi dan mengembangkan metode
klasifikasi berbasis obyek dengan penggabungan metode nearest neighbour dan indeks vegetasi pada
pengaplikasiannya. Berdasarkan metode yang dilakukan pada penelitian ini, didapatkan informasi dalam
klasifikasi berbasis obyek memiliki hasil keakuratan mencapai 97,56%, menekankan bahwa metode
klasifikasi berbasis obyek menghasilkan keluaran yang sangat efektif dan efisien dibandingkan metode
klasifikasi visual yang umum dilakukan.
Dalam pengembangan metode klasifikasi ini perlu dilakukan kajian yang lebih mendalam terlebih pada
skala parameter yang optimal digunakan pada nilai resolusi citra yang berbeda-beda sehingga dapat
menghasilkan segmentasi yang lebih akurat sesuai dengan data citra yang digunakan.

5. UCAPAN TERIMA KASIH

Penulis mengucapkan terimakasih kepada Dr. Rudhi Pribadi selaku Kepala Program Doktoral Ilmu
Kelautan, Fakultas Perikanan dan Ilmu Kelautan, Universitas Diponegoro dan rekan-rekan Divisi Survey dan
Investigasi CV. Aksa Jaladhi Angkasatama yang telah membantu dalam penulisan, pengerjaan dan
penyediaan data yang digunakan pada penelitian ini.

6. DAFTAR PUSTAKA

Arisondang, V. (2015). Klasifikasi Tutupan Lahan Menggunakan Metode Segmentasi Berbasis Algoritma
Multiresolusi (Studi Kasus Kabupaten Purwakarta, Jawa Barat), diunduh pada 3 Juni 2019 dari
http://id.portalgaruda.org/
Danoedoro, P., (2012). Pengantar Penginderaan Jauh Digital. Yogyakarta: ANDI.
eCognition, (2014). eCognition Developer Reference Book 9.0. Munchen: Trimble Documentation.
Kushardono, D., (2014). Teknologi Akuisisi Data Pesawat Tanpa Awak dan Pemanfaatannya Untuk Mendukung
Produksi Informasi Penginderaan Jauh. Inderaja, 5(7), 24-31.
Marpu, P. R. (2009). Thesis: Geographic Object-based Image Analysis. (Faculty of Geosciences, Geo-Engineering and
Mining), (Technische Universitat Bergakademie Freiberg), Germany.

510
View publication stats

Seminar Nasional Penginderaan Jauh ke-6 Tahun 2019

Noviar, H., Carolita, I., dan Cahyono, J. S., (2012). Uji Akurasi Training Sampel Berbasis Objek Citra Landsat Di
Kawasan Hutan Provinsi Kalimantan Tengah. Jurnal Ilmiah Geomatika, 18(2), 132-143.
Rudianto, B., (2010). Analisis Ketelitian Objek pada Peta Citra Quickbird RS 0,68 m dan Ikonos RS 1,0 m. Jurnal
Rekayasa, Institut Teknologi Nasional, 14(3), Juli - September 2010.
Sari, N. M., dan Kushardono, D., (2014). Klasifikasi Penutup Lahan Berbasis Obyek Pada Data UAV Untuk
Mendukung Penyediaan Informasi Penginderaan Jauh Skala Rinci. Jurnal Penginderaan Jauh, 11(2), Desember
2014, 114-127.
Setiani, A., (2016). Optimalisasi Parameter Segmentasi Berbasis Algoritma Multiresolusi Untuk Identifikasi Kawasan
Industri Antara Citra Satelit Landsat dan Alos Palsar (Studi Kasus: Kecamatan Tugu dan Genuk, Kota Semarang.
Semarang.
Shofiyati, R., (2011). Teknologi Pesawat Tanpa Awak Untuk Pemetaan dan Pemantauan Tanaman dan Lahan Pertanian.
Informatika Pertanian, 20(2), Desember 2011, 58-64.

511