EVALUASI TUTUPAN LAHAN DARI CITRA RESOLUSI TINGGI DENGAN METODE KLASIFIKASI DIGITAL BERORIENTASI OBJEK (Studi Kasus: Kota Banda Aceh, NAD) Dosen Pembimbing: Dr.Ing.Ir. Teguh Hariyanto, MSc Oleh: Bayu Nasa Purwaindra S. 3508100019
PENDAHULUAN Latar Belakang • Klasifikasi digital dilakukan menggunakan sistem yang terkomputerisasi sehingga proses klasifikasi citra menjadi lebih cepat dan mudah. • Klasifikasi berbasis objek cocok digunakan untuk pekerjaan klasifikasi citra resolusi tinggi yang secara umum tersusun oleh piksel-piksel yang heterogen, karena pada unit dasar proses analisisnya berupa objek/segmen bukan piksel tunggal yang tidak berhubungan dengan piksel-piksel tetangganya, sehingga hasil klasifikasi menjadi lebih baik dan akurat. • Penginderaan jauh berbasis citra satelit dapat digunakan untuk pemantauan tutupan lahan, khusunya untuk keberadaan RTH di kawasan perkotaan. • Berdasarkan peraturan UU No. 26 Tahun 2007 Tentang Penataan Ruang, proporsi RTH di wilayah kota paling sedikit 30% dari luas wilayah kota.
Rumusan Masalah
• Bagaimana melakukan klasifikasi dan evaluasi tutupan lahan berupa kawasan RTH dan Non-RTH di Kota Banda Aceh dari citra satelit Quickbird dengan metode berorientasi objek? Batasan Masalah
• Wilayah studi yang digunakan adalah Kota Banda Aceh, Propinsi NAD. • Data citra satelit yang digunakan adalah citra Quickbird Tahun 2007. • Objek tutupan lahan yang diamati seperti lahan terbangun, lahan kosong, lahan pertanian, lahan perkebunan, badan air, dan jalan.
Tujuan Penelitian
1. Melakukan klasifikasi tutupan lahan dari citra Quickbird dengan metode berorientasi objek. 2. Melakukan evaluasi tutupan lahan berupa kawasan RTH dan Non-RTH terhadap peraturan UU No. 26 Tahun 2007 Tentang Penataan Ruang. 3. Membuat peta tutupan lahan di Kota Banda Aceh dari hasil klasifikasi citra Quickbird. Manfaat Penelitian
• Memberikan informasi berupa peta tutupan lahan dari hasil pengolahan dan klasifikasi citra Quickbird yang nantinya dapat membantu dalam pemantauan, pengelolaan, dan perencanaan tata ruang di Kota Banda Aceh.
METODOLOGI PENELITIAN Lokasi Penelitian
Data
• Citra satelit Quickbird Kota Banda Aceh Tahun 2007 • Peta garis Kota Banda Aceh skala 1:10000 tahun 1999 Peralatan
Perangkat Keras (Hardware) • 1 unit Laptop • 1 unit Printer Perangkat Lunak (Software) • ENVI 4.6.1 • ArcGIS 9.3 • MATLAB R2010a
Diagram Alir Pengolahan Data
HASIL DAN ANALISA Hasil
• Koreksi Geometrik Koordinat Citra (Actual) X
Koordinat Citra (Predict) Y
X
Kesalahan Y
Error X
Error Y
RMS Error
8578,00
1201,75
8577,41
1201,27
-0,5945
-0,4768
0,7621
5829,50
10397,00
5828,59
10397,46
-0,9063
0,4648
1,0186
2746,75
9363,75
2746,91
9363,28
0,1570
-0,4683
0,4940
2061,00
6264,00
2061,42
6263,32
0,4157
-0,6821
0,7988
7059,75
8976,00
7059,40
8974,98
-0,3463
-1,0160
1,0734
5709,75
6339,25
5709,92
6339,88
0,1729
0,6322
0,6554
4971,25
8436,25
4971,78
8437,48
0,5310
1,2349
1,3442
8415,75
6744,50
8415,91
6743,69
0,1644
-0,8059
0,8225
11299,25
5206,00
11300,04
5205,84
0,7880
-0,1615
0,8044
10402,00
3458,25
10402,09
3458,40
0,0871
0,1489
0,1725
4813,50
3303,50
4813,36
3303,64
-0,1443
0,1437
0,2036
7973,25
4434,50
7972,93
4435,49
-0,3246
0,9862
1,0382
Total RMS Error
9,1877
Rata-rata RMS Error
0,7656
Dari hasil koreksi geometrik menggunakan 12 titik GCP, nilai rata-rata RMS error adalah 0,7656 piksel
• Perhitungan Strength of Figure Jumlah Titik Jumlah Baseline N Ukuran N Parameter U SoF
= 12 = 25 = Jumlah Baseline x 3 25 x 3 = 75 = Jumlah Titik x 3 12 x 3 = 36 = N Ukuran – N Parameter 75 – 36 = 39 = [Trace(AT.A)-1] U = 0,00051282
• Pemotongan Citra
Citra Sebelum Dipotong
Citra Setelah Dipotong
• Klasifikasi Berbasis Objek Tahapan Segmentasi Bertujuan untuk membagi citra menjadi wilayah-wilayah yang homogen dengan mengelompokkan piksel-piksel yang memiliki kesamaan warna.
Skala Level 35
Skala Level 65
Skala Level 80
Skala Level 95
Pada penelitian ini skala level yang digunakan adalah 65 karena dianggap paling baik untuk pemisahan antar objek yang berbeda dibandingkan dengan tiga skala level lainnya. Semakin kecil atau besarnya skala level berakibat pada kurang baiknya pemisahan antar objek pada citra.
• Klasifikasi Berbasis Objek Tahapan Merging Bertujuan untuk menggabungkan kelompok piksel yang telah disegmentasi menjadi sebuah objek.
Merge Level 25
Merge Level 50
Merge Level 75
Merge Level 90
Pada penelitian ini merge level yang digunakan adalah 50 karena dianggap paling baik dalam menggabungkan objek yang mewakili tiap kelas tutupan lahan. Semakin kecil merge level berakibat kurang baiknya hasil penggabungan objek yang homogen, sedangkan semakin besar merge level berakibat pada kaburnya batas antar objek tutupan lahan yang letaknya berdampingan.
• Hasil Klasifikasi
Analisa • Uji Ketelitian Klasifikasi Berdasarkan uji ketelitian dengan menggunakan metode confusion matrix, didapatkan ketelitian hasil interpretasi (overall accuracy) sebesar 90,43% dengan ketelitian untuk masing-masing kelas sebagai berikut: No
Kelas
Tingkat Kebenaran (%)
Tingkat Kesalahan (%)
1
Bangunan
57,50
42,50
2
Sawah
91,22
8,78
3
Badan Air
100,00
0
4
Lahan Kosong
75,38
24,62
5
Jalan
81,22
18,18
6
Kebun
37,50
62,50
7
Pantai
100,00
0
8
Hutan
100,00
0
Kelas badan air, pantai, dan hutan memiliki tingkat kebenaran yang paling tinggi yaitu 100%, sedangkan kelas kebun memiliki tingkat kebenaran yang paling rendah dengan persentase 37,50%.
• Uji Ketelitian Klasifikasi Berdasarkan hasil klasifikasi, besarnya hasil ketelitian dapat dipengaruhi beberapa faktor: – Tingkat keterpisahan antar objek (segmentasi) yang kurang baik dapat berdampak pada rendahnya tingkat akurasi, misalnya tingkat keterpisahan antara kelas bangunan dan jalan, maupun antara objek di daratan dan lautan (yang berbatasan langsung) yang kurang baik dapat memungkinkan tercampurnya hasil klasifikasi dari kelas tersebut. – Adanya kelas yang memiliki kesamaan warna atau homogen secara spektral, misalnya kelas sawah dan kebun sama-sama berwarna hijau tua, atau kelas jalan dan lahan disekitarnya sama-sama berwarna keabu-abuan juga dapat memungkinkan tercampurnya hasil klasifikasi dari kelas tersebut. – Kurang telitinya interpreter dalam mengambil sample untuk tiap kelas tutupan lahan yang diklasifikasi.
• Luas Tutupan Lahan Luas tutupan lahan di Kota Banda Aceh pada Tahun 2007 yang meliputi 9 Kecamatan adalah sebagai berikut: No
Kelas
Luas (Ha)
Luas (%)
1
Bangunan
972,937
16,26
2
Badan Air
1605,402
26,84
3
Jalan
884,265
14,78
4
Lahan Kosong
435,912
7,29
5
Pantai
118,332
1,98
6
Hutan
109,851
1,84
7
Kebun
1066,430
17,83
8
Sawah
789,289
13,19
5982,418
100
Jumlah
Tutupan lahan didominasi oleh kelas badan air dengan luas terbesar sebesar 1605,402 Ha (26,84%) dan kelas hutan dengan luas terkecil sebesar 109,851 Ha (1,84).
• Kesesuaian Hasil Klasifikasi Terhadap UU No. 26 Tahun 2007 Tentang Penataan Ruang Dari hasil klasifikasi tutupan lahan dapat dikelompokkan menjadi dua kategori yaitu kelas tutupan lahan yang termasuk kawasan RTH dan kawasan Non-RTH. Dengan perbandingan luasan sebagai berikut: Kawasan
Luas (Ha)
Luas (%)
Non-RTH
4016,848
67,14
RTH
1965,570
32,86
Dari luas total Kota Banda Aceh sebesar 5982,418 Ha diperoleh luasan kawasan Non-RTH (bangunan, badan air, jalan, lahan kosong, dan pantai) sebesar 4016,848 Ha (67,14%), sedangkan luasan kawasan RTH (hutan, kebun, dan sawah) sebesar 1965,570 Ha (32,86%), maka luas RTH kawasan perkotaan di Kota Banda Aceh sebesar 32,86% dapat dikategorikan sebagai kawasan perkotaan yang telah memenuhi proporsi RTH sesuai dengan yang ditetapkan dalam UU No. 26 Tahun 2007 Tentang Penataan Ruang.
PENUTUP Kesimpulan • Dari hasil klasifikasi tutupan lahan di Kota Banda Aceh pada tahun 2007, diperoleh kelas badan air dengan luas 1605,40 Ha, Kebun 1066,43 Ha, Bangunan 972,94 Ha, Jalan 884,27 Ha, Sawah 789,29 Ha, Lahan Kosong 435,91 Ha, Pantai 118,33 Ha, dan Hutan 109,85 Ha. • Luas RTH kawasan perkotaan di Kota Banda Aceh sebesar 32,86% dapat dikategorikan sebagai kawasan perkotaan yang telah memenuhi proporsi RTH sesuai dengan yang ditetapkan dalam UU No. 26 Tahun 2007 Tentang Penataan Ruang. • Sebaran tutupan lahan kelas badan air terletak pada Kecamatan Syiah Kuala, Kecamatan Kuta Alam, Kecamatan Kutaraja, dan Kecamatan Meuraksa, sedangkan sebaran kelas hutan terletak pada Kecamatan Ulee Kareng.
Saran • Untuk penelitian lebih lanjut dapat digunakan citra dengan resolusi spasial yang lebih tinggi 1 - 0,5 meter, agar kenampakan objek pada citra menjadi lebih jelas sehingga mempermudah dalam proses segmentasi untuk mendapatkan tingkat keterpisahan antar objek yang lebih baik dan mempermudah penetapan kelas tutupan lahan yang diklasifikasi. • Untuk mendapatkan hasil klasifikasi yang lebih baik perlu dilakukan proses segmentasi ulang ataupun pengambilan sample ulang untuk tiap kategori tutupan lahan yang diklasifikasi.
DAFTAR PUSTAKA • • • • • • • • •
Anderson, James R., Ernest E. Hardy, John T. Roach, and Richard E. Witmer. 1976. A Land Use and Land Cover Classification System For Use With Remote Sensor Data. USGS Professional Paper 964. A revision of the land use classification system as presented in the USGS circular 671. Baatz, M., Shape, A. 2000. Multiresolution Segmentation an Optimization Approach for High Quality Multiscale Image Segmentation. In: Strobl, Angewandte Geographische Informationsverabeitung XII. Wichmann, Heidelberg. Danoedoro, P. 2012. Pengantar Penginderaan Jauh Digital. Yogyakarta: Penerbit ANDI. Hasyim, A. W., Hariyanto, T., Taufik, M., Sulistyarso, H. 2011. Urban Land Use Change Analysis Using Temporal Multispectral Imagery and Image Difference. Baku: Progress Publishing Company, Vol. 3, No. 3, Pages 246-251, May 2011. Li, X., Zhao, S., Rui, Y., Tang, W. 2007. An object-based classification approach for high-spatial resolution Imagery. Nanjing: Remotely Sensed Data and Information, edited by Weimin Ju, Shuhe Zhao Proc. of SPIE Vol. 6752, 67523O. Sukojo, B. M. 2006. Modul Ajar Hitung Kerangka Geodesi. Surabaya: Teknik Geomatika, Institut Teknologi Sepuluh Nopember. Undang-Undang No. 26 tahun 2007 Tentang Penataan Ruang. Zhang, Y., Maxwell, T. 2006. A Fuzzy Logic Approach to Supervised Segmentation for Object-Oriented Classification. ASPRS Annual Conference, Reno, Nevada, May 1-5, 2006. Zhou, X., Jancso, T., Chen, C., Verone, M. W. 2012. Urban Land Cover Mapping Based on Object Oriented Classification Using Worldview 2 Satellite Remote Sensing Images. Sopron, Hungary: International Scientific Conference on Sustainable Development & Ecological Footprint, Sopron, Hungary March 26-27 2012.
TERIMA KASIH
