Pengaruh Jumlah Kelas dan Skema Klasifikasi terhadap Akurasi Informasi Penggunaan Lahan Hasil Klasifikasi Berbasis Objek dengan Teknik Support Vector Machine di Sebagian Kabupaten Kebumen Provinsi Jawa Tengah

Aria Jaka Dwiputra; R. Suharyadi; Projo Danoedoro

doi:10.22146/mgi.15632

Pengaruh Jumlah Kelas dan Skema Klasifikasi terhadap Akurasi Informasi Penggunaan Lahan Hasil Klasifikasi Berbasis Objek dengan Teknik Support Vector Machine di Sebagian Kabupaten Kebumen Provinsi Jawa Tengah

https://doi.org/10.22146/mgi.15632

Aria Jaka Dwiputra^(1*), R. Suharyadi⁽²⁾, Projo Danoedoro⁽³⁾

(1)
(2) Fakultas Geografi, Universitas Gadjah Mada
(3) Fakultas Geografi, Universitas Gadjah Mada
(*) Corresponding Author

Abstract

Produksi peta penggunaan lahan dari data geospasial satelit harus memperhatikan resolusi spasial yang digunakan, dengan menggunakan ilmu penginderaan jauh secara digital akurasi informasi geospasial tematik yang diperoleh dari data geospasial satelit dapat diukur secara kuantitatif. Jumlah kelas penggunaan lahan, skema klasifikasi, dan teknik ekstraksi informasi akan berpengaruh dalam overall accuracy.Penelitian ini menggunakan tiga variasi jumlah kelas dan skema klasifikasi yaitu 4, 7, dan 10 kelas penggunaan lahan. Tiga variasi tersebut diekstraksi dari citra ALOS AVNIR – 2 dengan resolusi 10 meter menggunakan metode klasifikasi berbasis objek dengan pendekatan support vector machine. Sesuatu yang lain dari klasifikasi berbasis objek adalah proses segmentasi yang mengelompokkan objek tutupan lahan dalam satu bagian, dan algoritma SVM mengklasifikasikan citra segmentasi dengan memanfaatkan empat tipe kernel yaitu linier, radial basis function, sigmoid, dan polynomial. Hasil ekstraksi informasi penggunaan lahan untuk jumlah kelas empat menggunakan klasifikasi berbasis objek dengan pendekatan support vector machine memiliki akurasi sebesar 87.2666% serta nilai koefesien kappa 0.8048 dan tipe kernel yang dipakai adalah kernel Linier. Hasil ekstraksi informasi penggunaan lahan untuk jumlah kelas tujuh menggunakan klasifikasi berbasis objek dengan pendekatan support vector machine memiliki akurasi sebesar 79.8021% serta nilai koefesien kappa 0.7293 dan tipe kernel yang dipakai adalah kernel Linier. Hasil ekstraksi informasi penggunaan lahan untuk jumlah kelas sepuluh menggunakan klasifikasi berbasis objek dengan pendekatan support vector machine memiliki akurasi sebesar 73.3377% serta nilai koefesien kappa 0.6466 dan tipe kernel yang dipakai adalah kernel Linier. Hasil ekstraksi informasi penggunaan lahan untuk jumlah kelas sepuluh menggunakan klasifikasi berbasis objek dengan pendekatan support vector machine dan ditambah dengan data bantu berupa informasi lereng dan informasi pola ruang memiliki akurasi sebesar 77.5705% serta nilai koefesien kappa 0.6982 dan tipe kernel yang dipakai adalah kernel Radial Basis Function. Kernel linier dengan satu parameter menunjukkan akurasi tertinggi pada setiap jumlah kelas yang berbeda. Kernel linier menunjukkkan akurasi terendah ketika dipakai data bantu dalam proses klasifikasi. Berdasarkan hasil penelitian didapat bahwa dengan semakin banyaknya parameter yang dipakai dalam proses klasifikasi tidak berarti semakin akurat hasil klasifikasinya. Setiap kernel memiliki pengaruh spesifik terhadap objek penggunaan lahan, dan untuk meningkatkan akurasi per objek penggunaan lahan dapat menggunakan data bantu

Keywords

jumlah kelas; klasifikasi berbasis objek; kernel; penggunaan lahan; skema klasifikasi; SVM

Full Text:

PDF (Bahasa Indonesia)

References

Anderson, J.R., Hardy, E.E., Roach, J.T., and Witmer, R.E. (2001). A Land Use and Land Cover Classification System for Use With Remote Sensor Data, Washington: Geological Survey Professional Paper 967. Blaschke, T. dan J. Strobl. (2001). What's wrong with pixels? Some recent developments interfacing remote sensing and GIS. GIS-Zeitschrift für Geoinformationssysteme. 14 (6), 12-17. Blaschke, T. (2010). Object based image analysis for remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing. 65, 2-16. Danoedoro, P. (2006). Land-Use Information From The Satellite Imagery :Versatility and Contets for Local Physical Planning. Saarbrucken : Lambert Academic Publishing. Foody, G. M. (2002). Status of Land Cover Accuracy Assesment. Remote Sensing of Environment. 80, 185– 201. Gao, J. (2009). Digital Analysis of Remotely Sensed Imagery. New York. McGraw Hill Hay, G. J., dan G. Castilla. (2006). Object-based Image Analysis : Strengths, Weakness, Opportunities and Threats (SWOT). The International Archives of The Photogrammetry, Remote Sensing and Spatial Informations Sciences. XXXVII (B7), 1159 – 1163. Hay, G.J., dan G. Castilla. (2008). Geographic Object-Based Image Analysis (GEOBIA) : A new name for a new discipline dalam Blaschke, T , Lang,S dan Hay, G.J (Editor.) Object-Based Image Analysis : Spatial Concepts for Knowledge-Driven Remote Sensing Applications. New York : Springer, 3-27. Huang, C., An Assessment of Support Vector Machines for Land Cover Classification. (2002). Int. J. Remote Sensing. 23(4), 725-749. Lillesand, T.M., dan R,W. Kiefer. (2007). Penginderaan Jauh dan Interpretasi Citra. Yogyakarta: Gadjah Mada University Press. Mather, P. (2004). Computer Processing of Remotely-Sensed Images: An Introductions. Chichester: John Wiley & Sons Ltd. Menno, JK. Dan Ferjan O. (2007). Kartografi : Visualisasi Data Geospasial Edisi Kedua. Yogyakarta: Gadjah Mada University Press. Wong T. H., S. B. Mansor, M. R. Mispan, N. Ahmad, W. N. A. Sulaiman. (2004). Feature Extraction Based On Object Oriented Analysis.

DOI: https://doi.org/10.22146/mgi.15632