Perbandingan Metode Klasifikasi Berbasis Objek dan Piksel pada Google Earth  Engine untuk Pemetaan Penggunaan Lahan di Zona Inti Gumuk Pasir  Parangtritis

Jiddiya Ahnaf; Erlyna Nour Arrofiqoh

doi:10.22146/jgise.98819

Perbandingan Metode Klasifikasi Berbasis Objek dan Piksel pada Google Earth Engine untuk Pemetaan Penggunaan Lahan di Zona Inti Gumuk Pasir Parangtritis

https://doi.org/10.22146/jgise.98819

Jiddiya Ahnaf^(1*), Erlyna Nour Arrofiqoh⁽²⁾

(1) Gadjah Mada University
(2) Departemen Teknologi Kebumian, Sekolah Vokasi, Universitas Gadjah Mada
(*) Corresponding Author

Abstract

Gumuk Pasir Parangtritis di Yogyakarta adalah salah satu geoheritage tipe barkhan yang perlu dilestarikan. Gumuk pasir tipe barkhan memiliki bentuk bulan sabit dan biasanya terdapat di wilayah beriklim kering, menjadikan gumuk pasir Parangtritis unik karena memiliki iklim tropis basah. Kawasan ini mengalami penyusutan setiap tahun akibat perubahan penggunaan lahan. Penelitian ini membandingkan dua metode klasifikasi, berbasis objek dan piksel untuk pemetaan penggunaan lahan di zona inti gumuk pasir Parangtritis menggunakan Google Earth Engine (GEE). Data yang digunakan adalah foto udara tahun 2020 dengan resolusi 10 cm. Metodologi melibatkan algoritma Random Forest (RF), Classification and Regression Tree (CART), dan Support Vector Machine (SVM). Pada klasifikasi berbasis objek dilakukan segmentasi menggunakan algoritma Simple Non-Iterative Clustering (SNIC) sebelum proses klasifikasi. Data training dan validasi dibuat menggunakan random points berdasarkan peta referensi serta pengecekan manual pada foto udara untuk memastikan hasil klasifikasi dapat divalidasi secara akurat. Hasil menunjukkan metode berbasis objek dengan RF memiliki akurasi tertinggi (98,1%), diikuti oleh metode CART (97,5%) dan SVM (63,8%). Sedangkan pada metode berbasis piksel, metode CART memiliki akurasi tertinggi (96,9%) , diikuti oleh RF (93,1%) dan SVM (58,1%). Kesimpulan menunjukkan metode berbasis objek lebih efektif dalam pemetaan penggunaan lahan dibandingkan metode berbasis piksel.

Keywords

Gumuk Pasir Parangtritis, Google Earth Engine, Klasifikasi Berbasis Objek, Klasifikasi Berbasis Piksel, Penggunaan Lahan

Full Text:

PDF

References

Cholidah, N.N.Z., Irawan, L.Y., 2024. Pemanfaatan Penginderaan Jauh Untuk Pemetaan Alih Fungsi Lahan Sawah di Kabupaten Nganjuk. J. Geosains Remote Sens. 5. https://doi.org/10.23960/jgrs.ft.unila.203

Eramudadi, D., Rokhmana, C.A., 2024. Ekstraksi Permukiman dari Kombinasi Citra Sentinel-2 dan Sentinel-1 dengan Pendekatan Object-Based Image Analysis. JGISE 7, 71. https://doi.org/10.22146/jgise.91380

Gubernur DIY, 2021. Peraturan Gubernur (PERGUB) Provinsi Daerah Istimewa Yogyakarta Nomor 40 Tahun 2021 tentang Pengelolaan Situs Warisan Geologi.

Gubernur DIY, 2015. Peraturan Gubernur (PERGUB) Provinsi Daerah Istimewa Yogyakarta Nomor 115 Tahun 2015 tentang Pelestarian Kawasan Warisan Geologi.

Han, J., 2006. Data Mining: Concepts and Techniques : Concepts and Techniques, second. ed. Morgan Kaufmann Publisher, San Francisco.

Han, W., Zhang, Xiaohan, Wang, Yi, Wang, L., Huang, X., Li, J., Wang, S., Chen, W., Li, X., Feng, R., Fan, R., Zhang, Xinyu, Wang, Yuewei, 2023. A survey of machine learning and deep learning in remote sensing of geological environment: Challenges, advances, and opportunities. ISPRS Journal of Photogrammetry and Remote Sensing 202, 87–113. https://doi.org/10.1016/j.isprsjprs.2023.05.032

Juniati, E., Arrofiqoh, E.N., 2017. Comparison Of Pixel-Based And Object-Based Classification Using Parameters And Non-Parameters Approachfor The Pattern Consistency Of Multi Scale Landcover. Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci. XLII-2/W7, 765–771. https://doi.org/10.5194/isprs-archives-XLII-2-W7-765-2017

Kulkarni, K., K Desai, P., Pn, C., S, R., 2025. Comparison of Pixel-based and Object-based Image Analysis for LULC Classification of Satellite Imagese. IJETT 73, 177–184. https://doi.org/10.14445/22315381/IJETT-V73I2P115

Laily, A.N., Sawiji, A., Junaidi, R., 2018. Kajian Dinamika Penggunaan Lahan Zona Inti Gumuk Pasir Tipe Barkhan Pasca Restorasi, in: Seminar Nasional Geomatika 2018: Penggunaan Dan Pengembangan Produk Informasi Geospasial Mendukung Daya Saing Nasional.

Mustofa, D., 2018. Perbandingan Metode Klasifikasi Berbasis Machine Learning Pada Google Earth Engine untuk Pemetaan Perubahan Penutup Lahan (Studi Kasus: Daerah Aliran Sungai Opak-Oyo). Universitas Gadjah Mada.

Nasiri, V., Hawryło, P., Janiec, P., Socha, J., 2023. Comparing Object-Based and Pixel-Based Machine Learning Models for Tree-Cutting Detection with PlanetScope Satellite Images: Exploring Model Generalization. International Journal of Applied Earth Observation and Geoinformation 125, 103555. https://doi.org/10.1016/j.jag.2023.103555

Nathalia, N.P.N., Wijaya, G.A.R., Yota, K., Aryanto, E., Dewi, N.P.K., Damayanti, M., Prawira, K.L., 2025. Comparison of SVM, K-NN, RF, CART, and GNB Algorithms for Water Bodies Detection Using Sentinel-2 Level-2a Imagery in Nakhon Pathom, Thailand. International Journal of Applied Sciences and Smart Technologies 07.

Pádua, L., Matese, A., Di Gennaro, S.F., Morais, R., Peres, E., Sousa, J.J., 2022. Vineyard classification using OBIA on UAV-based RGB and multispectral data: A case study in different wine regions. Computers and Electronics in Agriculture 196, 106905. https://doi.org/10.1016/j.compag.2022.106905

Putra, M.D., 2016. Gumuk Pasir Parangtritis Ternyata (Tidak) Langka. Parangtritis Geomaritime Science Park. URL https://pgsp.big.go.id/ternyata-gumuk-pasir-langka/ (accessed 6.2.22).

Putri, L.M., 2020. Perubahan Penggunaan Lahan di Zona Inti Gumuk Pasir Parangtritis Menggunakan Metode OBIA (Object-Based Image Analysis) Tahun 2015 - 2020. Universitas Gadjah Mada.

Ranti, 2016. Restorasi Ekosistem Gumuk Pasir dengan Penataan Vegetasi [WWW Document]. URL http://kehati.jogjaprov.go.id/detailpost/restorasi-ekosistem-gumuk-pasir-dengan-penataan-vegetasi (accessed 6.2.22).

Sukoco, B., Armijon, A., Fadly, R., 2022. KAJIAN PEMANFAATAN TEKNOLOGI GOOGLE EARTH ENGINE UNTUK BIDANG PENGINDERAAN JAUH. J.Penelit.Geografi 1. https://doi.org/10.23960/jpg.v10.i2.24219

Waspadi, E.A., Lestariningsih, S.P., Ariasari, A., Ramadhani, E., 2023. Pemetaan Tutupan Lahan Sebagian Wilayah Kabupaten Kulonprogo Menggunakan Citra Resolusi Spasial Tinggi Dengan Pendekatan Obia (Object Based Image Analysis). Jurnal Hutan Lestari 11, 518. https://doi.org/10.26418/jhl.v11i2.61331

Witten, I.H., Frank, Eibe., 2005. Data Mining: Practical machine learning tools and techniques, Data Mining: Practical machine learning tools and techniques.

Xie, G., Niculescu, S., 2021. Mapping and Monitoring of Land Cover/Land Use (LCLU) Changes in the Crozon Peninsula (Brittany, France) from 2007 to 2018 by Machine Learning Algorithms (Support Vector Machine, Random Forest, and Convolutional Neural Network) and by Post-classification Comparison (PCC). Remote Sensing 13, 3899. https://doi.org/10.3390/rs13193899

DOI: https://doi.org/10.22146/jgise.98819