Klasifikasi Digital Tutupan Lahan Berbasis Objek menggunakan Integrasi Data Lidar dan Citra Satelit di Kawasan Tamalanrea Indah, Kota Makassar

Abstract

Kebutuhan pemerintah daerah akan informasi geospasial menjadi semakin penting saat RTH semakin sulit ditemui di kawasan urban. Informasi tersebut adalah peta tutupan lahan, yang dapat diperoleh dari proses klasifikasi citra satelit resolusi tinggi, tetapi masih memiliki keterbatasan informasi spektral dimana klasifikasi objek juga melibatkan karakteristik spasial hingga tekstur untuk mendapatkan nilai akurasi yang tinggi (Kushardono, 2017). Karakterisitik tersebut sangat minimal pada data sensor pasif, tetapi banyak ditemukan pada data sensor aktif (radar/LiDAR). Dengan diketahuinya potensi kedua sensor (citra satelit dan LiDAR), beberapa peneliti telah melakukan penelitian serupa, di antaranya Awrangjeb dkk., (2013), Uzar dan Yastikli (2013), dan Gilani dkk., (2015). Pada penelitian ini, terdapat 3 data utama yaitu citra Pleiades, nDSM, dan citra intensitas. nDSM merupakan data turunan dari nilai elevasi LiDAR, sementara citra intensitas dibentuk dari nilai pantulan objek pada panjang gelombang NIR, yang masing-masing telah terkoreksi kemudian diinterpolasi menjadi data raster dan diklasifikasi. Proses klasifikasi dilakukan menggunakan metode OBIA dengan algoritma Assign Class melalui proses segmentasi. Skema klasifikasi yang dihasilkan menghasilkan sebanyak 12 subkelas (dalam 4 kelas utama) dari masing-masing hasil klasifikasi data sensor membentuk dataset komposisi. Proses integrasi ini menghasilkan sebanyak 3 dataset komposisi, yaitu dataset A (citra Pleiades), dataset B (Pleiades-intensitas) dan dataset C (Pleiades-nDSM). Dengan analisis SIG dilakukan uji akurasi dan didapat nilai akurasi dataset A sebesar 44,44% dan dataset B dan C keduanya menghasilkan nilai akurasi sebesar 63,89%. Nilai akurasi tersebut sangat rendah jika mengacu pada SNI LU/LC, dikarenakan jumlah 36 titik sampel tidak proporsional (< 20%) terhadap total jumlah objek yang mencapai ribuan.

Analisis Kemampuan Algoritma Random Sample Consensus (RANSAC) untuk Klasifikasi Ground Pada Data Light Detection and Ranging (LiDAR)

“…Dalam proses akuisisi data, GPS dan IMU dapat merekam posisi dan pergerakan dari wahana terbang, sementara jarak antara wahana terbang dengan objek di permukaan bumi dapat diketahui melalui sensor LiDAR sehingga hasil dari akuisisi tersebut menghasilkan data berupa point cloud yang dapat diketahui koordinat posisinya (Pfeifer & Briese, 2007). Data point cloud yang dihasilkan dari hasil akuisisi LiDAR dapat menghasilkan data turunan dalam bentuk raster dari suatu wilayah tertentu yang disebut dengan Digital Surface Model (DSM) dan Digital Terrain Model (DTM) (Wijanarko & Djurdjani, 2022). Dalam membuat Digital Terrain Model (DTM) dari data LiDAR, salah satu tahapan yang penting untuk dilakukan adalah klasifikasi ground dan non ground (You et al, 2021), yakni tahapan yang dilakukan dengan tujuan untuk mengubah Digital Surface Model (DSM) menjadi Digital Terrain Model (DTM) (Susetyo & Syetiawan, 2016).…”

Analisis Geospasial Perubahan Ruang Terbuka Hijau Wilayah Kota Purwokerta dari Tahun 2013 sampai 2020

“…Salah satu teknik untuk mengekstraksi informasi dari data PJ yaitu dengan analisis objek berbasis citra atau Object Based Image Analysis (OBIA) (Wijanarko & Djurdjani, 2022). Metode OBIA merupakan metode klasifikasi digital dengan memanfaatkan citra satelit berdasarkan kesaman spektral antar objek (Phiri dkk, 2018;Navulur, 2007).…”