FTSP Series :
Seminar Nasional dan Diseminasi Tugas Akhir 2021
Klasifikasi Tutupan Lahan
Berbasis Karakteristik Backscatter
Menggunakan Citra Sentinel-1-1 dan Alos Palsar
(Studi Kasus : Kecamatan Long Ikis, Kalimantan Timur)
ARDHITO R. NENDRAWAN DAN SONI DARMAWAN
Jurusan Teknik Geodesi
FTSP – Institut Teknologi Nasional, Bandung
Email: ardhitotito@[Link]
ABSTRAK
Tutupan lahan merupakan informasi mengenai kenampakan alamiah bumi tanpa campur tangan dari
manusia. Oleh karena itu, data keruangan tutupan lahan menjadi data yang sangat penting dalam
pengambilan keputusan mengenai perencanaan pembangunan, pemantauan lingkungan, dan inventaris
sumber daya alam (SDA) di suatu wilayah. Salah satu teknologi yang saat ini digunakan memetakan tutupan
lahan yang berubah secara dinamis adalah menggunakan pengindraan jauh satelit yaitu citra radar. Akan
tetapi, penggunaannya belum sebanyak data optis multispectral. Hal ini karena sulitnya memprediksi
korelasi antara gelombang mikro dengan karakteristik obyek di permukaan bumi dan perbedaan pola serta
tekstur dalam proses interpretasi tutupan lahan menggunakan citra radar. Oleh karena itu, penelitian ini
bertujuan menganalisis data citra Sentinel-1 (VV, VH) dan Alos Palsar (HH, HV) untuk mengetahui
karakteristik nilai backscatter (dB) serta penguraian nilai backscatter (entropy, anistropy, dan alpha) di
sebagian Kecamatan Long Ikis Provinsi Kalimantan Timur, dimana pada tahun 2018 penduduknya mencapai
41.153 jiwa (22.507 jiwa laki-laki, dan 18.646 jiwa perempuan). Metode analisis statistik digunakan untuk
menganalisa band terbaik untuk membedakan tiap tutupan lahan dengan baik. Selain itu, dalam klasifikasi
tutupan lahannya menggunakan metode maximum likelihood. Hasil analisis menampilkan masing-masing
tutupan lahan berupa hutan, perkebuanan sawit, sawah, permukiman, perairan, dan tambak dapat
teridentifikasi serta mempunyai karakteristik backscatter dan pengurai backscatter yang unik dengan
menggunakan band alpha (Sentinel-1), VV (Sentinel-1), HH (Alos Palsar) dengan nilai total rerata piksel
secara berurutan yaitu 5,693; 4,861; 4,056. Selain itu, nilai ketelitian yang dihasilkan dari klasifikasi tutupan
lahan pada citra Sentinel-1 (VV, VH, alpha) sebesar 85,47% dan citra Alos Palsar (VV, VH, alpha) sebesar
66,54%.
Kata kunci: tutupan lahan, SAR, citra Sentinel-1, citra Alos Palsar, maximum likelihood
1. PENDAHULUAN
Tutupan lahan merupakan tutupan biofisik pada permukaan bumi yang dapat diamati merupakan
pengaturan, aktivitas, dan perlakuan manusia yang dilakukan pada jenis penutup lahan tertentu
untuk melakukan kegiatan produksi, perubahan, ataupun perawatan pada penutup lahan tersebut
(BSN, 2014). Dari definisi tersebut dapat dipahami bahwa tutupan lahan merupakan informasi
mengenai kenampakan alamiah bumi tanpa campur tangan dari manusia. Oleh karena itu, data
keruangan tutupan lahan menjadi data yang sangat penting dalam pengambilan keputusan
mengenai perencanaan pembangunan, pemantauan lingkungan, dan inventarisasi sumber daya
alam (SDA) di suatu wilayah. Salah satu teknologi yang saat ini digunakan memetakan tutupan
lahan adalah menggunakan pengindraan jauh satelit yaitu citra radar.
FTSP Series :
Seminar Nasional dan Diseminasi Tugas Akhir 2021
Menurut (Lee & Pottier, 2009) citra radar menggunakan sensor aktif yang beroperasi pada
gelombang mikro dengan spektrum elektromagnetik antara P-band hingga K-band, sehingga
dapat meminimalisir gangguan dari efek awan, kabut, dan asap. Akan tetapi, penggunaannya
dalam pemetaan tutupan lahan belum sebanyak data optis multispektral. Oleh karena itu, dalam
penelitian ini dilakukan analisis data citra Sentinel-1 dan Alos Polsar untuk mengetahui
karakteristik nilai backscatter (dB) serta penguraian nilai backscatter (entropy, anistropy, dan
alpha) yang berada di sebagian Kecamatan Long Ikis Provinsi Kalimantan Timur. Menurut (BPS,
2020) pada tahun 2018 penduduknya mencapai 41.153 jiwa (22.507 jiwa laki-laki, dan 18.646
jiwa perempuan). Hal ini membuat lahan yang ada, digunakan untuk mencukupi kebutuhan
masyarakat.
2. METODOLOGI
Pelaksanaan penelitian menggunakan citra Sentinel-1 (band VV, VH) dengan akuisisi data Oktober
2019, citra Alos Palsar (band HH, HV) dengan akuisisi data Oktober 2010, dan citra optis Google
Earth. Jenis tutupan lahan yang diidentifikasi hanya hutan, perkebunan sawit, sawah,
permukiman, perairan, dan tambak dengan pedoman pada SNI 7645-1:2014. Metode yang
digunakan adalah pengolahan backscatter dan dekomposisi polarimetrik atau penguraian
backscatter, dimana tahapannya telah disajikan pada Gambar 1. Selain itu, proses pemilihan band
terbaik menggunakan analisis simpangan terbaik, dimana hasil 3 band terbaik ditentukan
berdasarkan simpangan atau jarak antar nilai rerata piksel tiap jenis tutupan lahan yang paling
jauh. Setelah itu, hasilnya diklasifikasikan menggunakan maximum likelihood. Uji akurasi
dilakukan setelah proses klasifikasi selesai.
3. HASIL DAN ANALISIS
3.1 Pengolahan Citra SAR
Hasil dari proses pengolahan citra dihasilkan total 10 citra yang terdiri dari 4 citra terkoreksi (band
HH, HV pada citra Alos Palsar dan band VV, VH pada citra Sentinel-1) dengan satuan decibel (dB)
dan 6 citra terkoreksi (citra Alos Palsar dan Sentinel-1) dalam band entropy, anisotropy, dan alpha.
Masing-masing citra disajikan secara berurutan pada Gambar 2, Gambar 3, Gambar 4, Gambar 5,
3.2 Digitasi Tutupan Lahan
Digitasi penutup lahan berdasarkan objek hasil interpretasi citra pada area penilitian hanya hutan,
perkebunan sawit, sawah, permukiman, perairan, dan tambak unsur. Selain itu, tutupan lahan
yang digitasi hanya beberapa saja untuk dijadikan sampel dari setiap jenis tutupan lahan. Selain
itu, training sample harus diambil dari lokasi yang cukup homogen (LAPAN, 2015). Hasil digitasi
tutupan lahan untuk keperluan sampel nilai piksel dari tiap band pada area penelitian disajikan
pada Gambar 6.
3.3 Analisis Simpangan Terbaik
Penentuan band yang terbaik, dilakukan dengan menghitung selisih dari nilai rerata dari satu jenis
tutupan lahan terhadap jenis tutupan lahan yang lain. Hasil rekapitulasi dan perangkingan band
terbaik pada citra Sentinel-1 dan citra Alos Palsar disajikan pada Tabel 1, diamana tabel tersebut
menampilkan urutan band terbaik dalam membedakan atau menampilkan karaketristik dari tiap
jenis tutupan lahan. Tiga band terbaik dari tiap citra dipilih untuk klasifikasi tutupan lahan. Band
alpha, VV, VH dari citra Sentinel-1 dan band HH, HV, alpha dari citra Alos Palsar digunakan untuk
proses komposit dalam metode maximum likelihood.
FTSP Series :
Seminar Nasional dan Diseminasi Tugas Akhir 2021
Citra Citra Citra Satelit
SNI 7645-1:2014
Sentinel-1 Alos Palsar Google Earth
Koreksi Radiometrik
Koreksi Radiometrik
Jenis Tutupan Lahan
Multilooking
Multilooking
Speckle Filtering
Generate Matrik
Interpretasi Citra
Koreksi Geometrik
Speckle Filtering
Citra Sentinel-1
yang terkoreksi
Koreksi Geometrik
Digitasi
Konversi ke dB
Dekomposisi Polarimetrik H/A/α
Citra Sentinel-1 Citra Alos Palsar Citra Sentinel-1 Citra Alos Palsar
hasil Dekomposisi hasil Dekomposisi terkoreksi (dB) terkoreksi (dB)
Polarimetrik Polarimetrik
Overlay
Nilai piksel Nilai piksel Nilai piksel Nilai pixel tutupan
tutupan lahan tutupan lahan tutupan lahan lahan terhadap dB
terhadap band terhadap band terhadap band dalam polarisasi
entropy anistropy alpha (HH, HV, VH, VV)
Analisis simpangan terbaik
Maximum likelihood classification
Tidak
kappa coefficient
85%
Ya
Layouting
Peta tutupan lahan
Gambar 1 Metodologi penelitian
Gambar 2 VV dalam dB (A) dan VH dalam dB (B) pada citra Sentinel 1
A B
A B
C
Gambar 3 Entropy (A), anistropy (B), dan alpha (C) pada citra Sentinel 1
FTSP Series :
Seminar Nasional dan Diseminasi Tugas Akhir 2021
A B
Gambar 5 HH dalam dB (A) dan HV dalam dB (B) pada citra Alos Palsar
A B
C
Gambar 4 Entropy (A), anistropy (B), dan alpha (C) pada citra Alos Palsar
Gambar 6 Hasil digitasi tutupan lahan untuk keperluan sampel nilai piksel
Tabel 1 Hasil rekapitulasi dan perangkingan band terbaik
No Band Ʃ X̅
1 Alpha_Sentinel-1 5,693
2 VV_Sentinel-1 4,861
3 HH_Alos_Palsar 4,056
4 VH_Sentinel-1 3,668
5 HV_Alos_Palsar 3,431
6 Alpha_Alos_Palsar 2,753
7 Anistropy_Sentinel-1 0,115
8 Entropy_Sentinel-1 0,102
9 Anistropy_Alos_Palsar 0,054
10 Entropy_Alos_Palsar 0,053
3.4 Klasifikasi Tutupan Lahan
Klasifikasi tutupan lahan menggunakan metode maximum likehood dengan band alpha, VV, VH
(Sentinel-1) dan HH, HV, alpha (Alos Palsar). Klasifikasi dilakukan dengan mendigitasi tutupan
lahan terlebih dahulu sebagai training sample. Pengambilan training sample mengikuti pedoman
(LAPAN, 2015), dimana minimal 3 poligon setiap objek dan minimal 9 piksel di dalamnya. Selain
itu, training sample harus diambil dari lokasi yang cukup homogen. Hasil dari klasifikasi tutupan
lahan pada Sentinel-1 disajikan pada Gambar 7 dan Alos Palsar disajikan pada Gambar 8.
FTSP Series :
Seminar Nasional dan Diseminasi Tugas Akhir 2021
Gambar 7 Hasil dari klasifikasi tutupan lahan pada Sentinel-1
Gambar 8 Hasil dari klasifikasi tutupan lahan pada Alos Palsar
3.5 Uji Akurasi
Uji akurasi dilakukan dengan digitasi sampel tutupan lahan sebagai ground truth atau sampel
tutupan lahan yang sesuai dengan kondisi lapangan. Selain itu, jumlah luasan ground truth
minimal 10% dari total luas cakupan data yang akan diklasifikasi (LAPAN, 2015). Ground truth
digunakan untuk perhitungan confusion matrix terhadap citra Sentinel-1 dan citra Alos Palsar,
dimana hasil perhitungannya disajikan pada Tabel 2 dan Tabel 3. Acuan yang digunakan pada
penelitian ini adalah citra Google Earth. Menurut (Tilahun & Islam, 2015) hasil uji akurasi tutupan
lahan dan penggunaan lahan dengan bantuan Google Earth mendapatkan nilai 75% dan nilai
tersebut dapat diterima.
Tabel 2 Hasil perhitungan confusion matrix pada citra Sentinel-1 1
Data Ground Truth (Piksel) Akurasi
Klasifikasi Tambak Sawit Sawah Permukiman Perairan Hutan Ʃ Baris Pengguna
Tambak 934 0 0 0 33 250 1217 76,75%
Sawit 0 378 0 3 0 145 526 71,86%
Sawah 0 0 26 8 0 287 321 8,10%
Permukiman 0 0 0 120 0 180 300 40,00%
Perairan 0 0 0 0 4461 0 4461 100,00%
Hutan 0 6 2 47 0 3155 3210 98,29%
Ʃ Kolom 934 384 28 178 4494 4017 10035
Akurasi
100,00% 98,44% 92,86% 67,42% 99,27% 78,54%
Pembuat
Overall
90,42%
Accuracy
Kappa
85,47%
Coefficient
FTSP Series :
Seminar Nasional dan Diseminasi Tugas Akhir 2021
Tabel 3 Hasil perhitungan confusion matrix pada citra Alos Palsar
Data Ground Truth (Piksel) Akurasi
Klasifikasi Tambak Sawit Sawah Permukiman Perairan Hutan Ʃ Baris Pengguna
Tambak 440 81 1 5 2 75 604 72,85%
Sawit 174 104 7 59 8 385 737 14,11%
Sawah 13 36 0 25 8 349 431 0,00%
Permukiman 65 44 5 27 2 324 467 5,78%
Perairan 0 0 0 1 3518 0 3519 99,97%
Hutan 52 50 8 37 9 2104 2260 93,10%
Ʃ Kolom 744 315 21 154 3547 3237 8018
Akurasi
59,14% 33,02% 0,00% 17,53% 99,18% 65,00%
Pembuat
Overall
77,24%
Accuracy
Kappa
66,54%
Coefficient
Pada Tabel 2 dan Tabel 3 menampilkan klasifikasi citra Sentinel-1 (VV, VH, alpha) memiliki nilai
akurasi terbaik dengan nilai kappa coefficient sebesar 85,47% dan sesuai standar. Menurut
(Anderson, 1971 dalam Anderson dkk, 1976) tingkat akurasi interpretasi minimum identifikasi
tutupan lahan menggunakan sensor penginderaan jauh harus minimal 85%. Menurut (Sampurno
& Thoriq, 2016) overall accuracy tidak digunakan indikator dalam mengukur kesuksesan klasifikasi
karena hanya menggunakan piksel-piksel yang terletak pada diagonal suatu matrik kontingensi.
4. KESIMPULAN
Kesimpulan dari penelitian ini adalah masing-masing tutupan lahan berupa hutan, perkebunan
sawit, sawah, permukiman, perairan, dan tambak dapat teridentifikasi serta mempunyai
karakteristik backscatter dan pengurai backscatter yang unik dengan menggunakan band alpha
(Sentinel-1), VV (Sentinel-1), HH (Alos Palsar) dengan nilai total rerata piksel secara berurutan
yaitu 5,693; 4,861; 4,056. Nilai ketelitian dari klasifikasi tutupan lahan pada citra Sentinel-1 (VV,
VH, alpha) sebesar 85,47% dan citra Alos Palsar (VV, VH, alpha) sebesar 66,54%.
DAFTAR RUJUKAN
Anderson, J. R.;Hardy, E. E.;Roach, J. T.;& Witmer, R. E. (1976). A Land Use and Land Cover
Classification System for Use with Remote Sensor Data. Washington: United States
Goverment Printing Office.
BPS [Badan Pusat Statistik]. Kecamatan Long Ikis Dalam Angka 2020. Diakses pada tanggal 2
Nopember 2020 dari: [Link]
=NGNlNjQ2YmJjNmU2YmVlYjlmMjJmM2Fk&xzmn=aHR0cHM6Ly9wYXNlcmthYi5icHMuZ2
8uaWQvcHVibGljYXRpb24vMjAyMC8wOS8yOC80Y2U2NDZiYmM2ZTZiZWViOWYyMmYzY
WQva2VjYW1hdGFuLWxvbmctaWtpcy1kYWxhbS1hbmdrYS0yMDIwLmh0bWw
BSN [Badan Standarisasi Nasional]. Klasifikasi Penutup Lahan SNI No 7645-1. Diakses pada
tanggal 2 Oktober 2020 dari: [Link]
view&filename=SNI-7645-1-2014_Klasifikasi_Penutup_Llahan.pdf&fileFullName=E:%5C
webgisapp%5CDownload%5CPemantauan%20Hutan%20Nasional%5CSNI-7645-1-
2014_Klasifikasi_ Penutup_Llahan.pdf
LAPAN. (2015). Pedoman Pengolahan Data Satelit Multispektral Secara Digital Supervised Untuk
Klasifikasi. Jakarta: Pusat Pemanfaatan Penginderaan Jauh.
Sampurno, R. M.;& Thoriq, A. (2016). Klasifikasi Tutupan Lahan Menggunakan Citra Landsat 8
Operational Land Imager di Kabupaten Sumedang. Jurnal Teknotan Vol2 Nomor 2, 61-70.
Tilahun, A.;& Islam, Z. (2015). Use of Google Earth for Land Use mapping in the Case of Gish
Abbay Sekela, West Gojjam, Amhara State, Ethiopia. International Journal of Society and
Humanities, 1-5.