Professional Documents
Culture Documents
2622 4941 1 PB
2622 4941 1 PB
Jl. W.R. Supratman, Kandang Limun, Muara Bangka Hulu, Kota Bengkulu,
Bengkulu 38371
**)Departemen Ilmu dan Teknologi Kelautan, Institut Pertanian Bogor
ABSTRACT
This study used multiscale classification and applied object-based image analysis (OBIA) for
geomorphic zone and benthic habitats mapping in Pari islands. An optimized segmentation was
performed to get optimum classification result. Classification methods for level 1 and 2 used
contextual editing classification and for level 3 used support vector machines classifier. The results
showed that overall accuracy for level 1 was 97% (reef level), level 2 was 87% (geomorphic zone), and
level 3 was 75% (benthic habitats). Accuracy achieved by support vector machines classification was
performed only in level 3 and optimum scale value achieved was 50 in compare with other scale
values, i.e. 5, 25, 50, 75, 95. OBIA methods can be used as an alternative for geomorphic zone and
benthic habitats map.
89
Jurnal Penginderaan Jauh Vol. 14 No. 2 Desember 2017 : 89-76
ABSTRAK
Penelitian ini menggunakan klasifikasi multiskala dan penerapan analisis citra berbasis
obyek (OBIA) untuk pemetaan zona geomorfologi dan habitat bentik di Pulau Pari. Analisis berbasis
obyek dilakukan optimasi pada proses segmentasi untuk mendapatkan hasil klasifikasi optimal.
Metode klasifikasi pada level 1 dan 2 menggunakan klasifikasi contextual editing dan pada level 3
menggunakan klasifikasi Support Vector Machines (SVM). Hasil penelitian ini menunjukkan akurasi
keseluruhan pada level 1 yaitu 97% (reef level), level 2 yaitu 87% (Geomorphic level), dan level 3 yaitu
75% (benthic habitat level). Klasifikasi SVM hanya diterapkan pada level 3 dan nilai skala optimum
sebesar 50 dari percobaan nilai skala yaitu 5, 25, 50, 75, 95. Metode OBIA dapat digunakan sebagai
alternatif untuk pemetaan zona geomorfologi dan habitat bentik.
Kata kunci: multiskala, OBIA, zona geomorfologi dan habitat bentik, Pulau Pari
image analysis/ OBIA) (Navulur, 2007; dan ekologi ekosistem terumbu karang
Blaschke T., 2010). (Andréfouët, et al., di tiga perairan yang berbeda dan
2003) menerapkan metode klasifikasi menghasilkan akurasi keseluruhan
berbasis piksel algoritma maximum antara 52%-78% (Phinn, et al., 2011).
likelihood dari citra IKONOS dan (Kondraju, et al., .2013) melaporkan
Landsat 7. (Kondraju, et al., 2013) bahwa algoritma SVM menghasilkan
menerapkan beberapa teknik klasifikasi akurasi yang lebih baik dibandingkan
berbasis piksel meliputi (support vector algoritma klasifikasi lainnya seperti
machines/ SVM, spectral angular mapper/ maximum likelihood classification (MLC)
SAM, spectral information divergence/ dan spectral angular mapper (SAM).
SID, dan support vector machine/ SVM) Berdasarkan hal di atas, metode
dari citra Landsat untuk mengidentifikasi untuk mengekstrak informasi dari citra
terumbu karang dan menghasilkan perlu memperhatikan beberapa faktor
akurasi terbaik pada metode klasifikasi yang mempengaruhi hasil akurasi.
algoritma SVM. Penerapan metode Penerapan metode OBIA dengan klasifikasi
klasifikasi berbasis piksel telah multiskala diharapkan mampu
menghasilkan peta habitat bentik meningkatkan akurasi.
dengan akurasi yang berbeda-beda. Penelitian ini bertujuan untuk
Penerapan beberapa metode klasifikasi memetakan zona geomorfologi dan
citra diharapkan menghasilkan akurasi habitat bentik berdasarkan klasifikasi
pemetaan yang baik. Metode yang multiskala dengan optimasi parameter
menjadi pilihan pada klasifikasi citra segmentasi dengan menggunakan
selain metode berbasis piksel adalah metode OBIA di gugus Pulau Pari.
dengan metode klasifikasi berbasis Hasil penelitian ini diharapkan
obyek/ OBIA. menjadi metode alternatif untuk
OBIA adalah paradigma baru pemetaan zona geomorfologi dan habitat
dalam klasifikasi citra dan merupakan bentik di perairan Indonesia.
salah satu sub-kajian dari GISscience
yang fokus pada pengembangan metode 2 METODOLOGI
analisis citra penginderaan jauh berbasis 2.1 Waktu dan Lokasi Penelitian
obyek sehingga menjadi beberapa obyek Penelitian ini dilaksanakan di
yang memiliki makna tertentu (Navulur, wilayah terumbu karang gugusan Pulau
2007). OBIA mampu mendefinisikan Pari Kabupaten Administrasi Kepulauan
kelas-kelas obyek berdasarkan aspek Seribu pada bulan Februari-Maret 2014.
spektral dan aspek spasial secara Secara geografis lokasi penelitian
sekaligus (Danoedoro, 2012). Dalam terletak antara 5⁰51’32.94”- 5⁰ 51’37,71”
tahapan OBIA dilakukan proses LS dan 106⁰34’6,469”-106⁰38’23,81” BT
segmentasi citra (pixel level) menjadi (Gambar 2-1).
segmen/ obyek (object level) yang
homogen sesuai dengan parameternya. 2.2 Bahan dan Data
Segmentasi satu level biasanya tidak Bahan yang digunakan pada
efisien dalam merepresentasikan satu penelitian ini adalah citra worldview-2
kajian dalam sebuah scene citra karena (standar level 2A 16 bit) hasil akuisisi 28
dalam satu scene citra terdapat sebuah Agustus 2012 dengan sistem proyeksi
hirarki pola dan informasi pada skala koordinat UTM zona 48S-WGS84.
yang berbeda dan secara simultan bisa Karakteristik citra worldview-2 terdiri
ditampilkan melalui segmentasi multiskala dari 8 saluran multispektral (coastal,
(Baatz dan Schäpe, 2000). blue, green, yellow, red, red-edge, NIR1
Klasifikasi menggunakan metode dan NIR2) dengan resolusi spasial 2
OBIA terbukti mampu meningkatkan meter dan pankromatik dengan resolusi
akurasi pada pemetaan geomorfologi spasial 0.5 meter (Digitalglobe, 2010).
91
Jurnal Penginderaan Jauh Vol. 14 No. 2 Desember 2017 : 89-76
92
Klasifikasi Multikskala untuk Pemetaan Zona ......... (Ari Anggoro et al.)
dengan perubahan nilai skala (scale) Sementara itu aspek spasial mengacu
sedangkan parameter shape dan pada obyek-obyek yang telah memiliki
compactness ditentukan dengan nilai kelas pada level yang sama ke dalam
masing-masing 0,1 dan 0,9 pada setiap kelas hirarki obyek citra yaitu fitur
percobaan nilai parameter skala yang relative boarder to dan distance to.
diuji. Nilai parameter skala yang diuji Selanjutnya klasifikasi level 3
meliputi 5, 25, 50, 75, 95 sehingga menggunakan klasifikasi support vector
diperoleh nilai skala optimum. Sampai machine (SVM) yang merupakan
saat ini belum ada framework teoritis klasifikasi terbimbing aturan SVM
tentang parameter segmentasi terbaik dengan input thematic layer dari
sehingga pengguna harus mencari pengamatan lapangan.
sendiri parameter-parameter segmentasi
terbaik pada tiap level melalui metode 2.6 Uji Akurasi
try and error (Blaschke Thomas dan Pengujian akurasi dilakukan
Hay, 2001; Burnett dan Blaschke, terhadap seluruh peta hasil klasifikasi
2003). untuk mengetahui akurasi dari teknik
klasifikasi yang diterapkan. Uji akurasi
2.5 Klasifikasi Multiskala Metode yang umum dilakukan pada data hasil
OBIA klasifikasi penginderaan jauh adalah
Klasifikasi citra dengan multiskala matrik kesalahan (error matrix) dengan
menggunakan metode kontekstual (level mengukur akurasi keseluruhan (OA),
1 dan level 2) dan klasifikasi terbimbing producer accuracy (PA), user accuracy
algoritma Support Vector Machines (level (UA), dan kappa (Congalton dan Green
3) yang terdapat pada perangkat lunak 2009).
eCognition 9. Metode klasifikasi
kontekstual berdasarkan aspek spektral 3 HASIL DAN PEMBAHASAN
dan spasial dengan penentuan nilai 3.1 Klasifikasi Multiskala
thereshold dari fitur yang tepat untuk 3.1.1Klasifikasi Level 1 (Reef System)
setiap kelas. Fitur yang digunakan Klasifikasi pada level 1
terdiri dari dua yaitu fitur yang menghasilkan 3 kelas yaitu daratan,
berhubungan dengan obyek dan fitur perairan dangkal, dan perairan dalam.
yang berhubungan dengan kelas Hasil klasifikasi ini merupakan
(eCognition, 2014). Aspek spektral dasar dalam proses klasifikasi level 2
meliputi nilai layer (rata-rata, standar dan 3. Gambar 3-1 untuk kelas daratan
deviasi, dan rasio antar saluran) dan di gugus Pulau Pari terdiri dari beberapa
kostumasi dengan transformasi NDVI pulau yaitu Pulau Pari, Kongsi, Burung,
(normalize different vegetation index). Tengah, dan Tikus (Gambar 3-1).
93
Gambar 3-1 merupakan peta 0,9. Segmentasi ini menghasilkan obyek
hasil klasifikasi level satu menggunakan sebanyak 28.425 segmen untuk
metode kontekstual. Dalam klasifikasi klasifikasi level 2. Klasifikasi level 2
ini terdapat sebanyak 12.986 obyek menghasilkan 6 kelas zona geomorfologi
dipetakan menjadi 3 kelas dengan meliputi reef slope, reef crest, inner reef
luasan daratan 86,9 Ha, perairan flat, outer reef flat, shallow lagoon, dan
dangkal 1094,7 Ha dan perairan dalam deep lagoon (-2).
1242,3 Ha. Hasil klasifikasi kelas Hasil uji akurasi menunjukkan
perairan dangkal menjadi batasan akurasi keseluruhan/ OA sebesar 87%,
wilayah untuk proses segmentasi dan sedangkan PA dan UA dihasilkan
klasifikasi pada level 2. Dari pengujian akurasi yang bervariasi antara 73%-
akurasi dihasilkan akurasi keseluruhan 100%. UA terendah pada kelas reef crest
sebesar 97%. Sedangkan akurasi PA dan sebesar 73% menunjukkan bahwa pada
UA setiap kelas dengan akurasi >95%. kelas ini menjadi batas antara kelas
Hasil akurasi ini menunjukkan bahwa outer reef flat dan reef slope. Hasil uji
secara keseluruhan kelas mampu akurasi pada kelas lainnya menunjukkan
dipetakan dengan sangat baik. Akan bahwa kelas tersebut mampu dipetakan
tetapi, masih terdapat kesalahan pada dengan baik dengan akurasi >80%.
klasifikasi. Kesalahan terjadi pada kelas Hasil pemetaan zona geomorfologi
perairan dangkal menjadi daratan, hal di gugus Pulau Pari cukup bervariasi
ini disebabkan kondisi perairan yang dan telah terpetakan dengan baik. Dari
terdapat terumbu karang yang muncul hasil klasifikasi zona geomorfologi
ke permukaan. (Phinn, et al.,2011) diperoleh luas area masing-masing adalah:
melaporkan bahwa klasifikasi pada level zona inner reef flat, 421,6 Ha (41%);
1 (reef level) pada sistem klasifikasi zona outer reef flat, 232,4 Ha (23%);
hirarki yaitu kelas perairan dangkal zona reef slope, 101,3 Ha (10%); zona
menjadi batasan area kajian dan reef crest, 58,6 Ha (6%); zona shallow
diproses menjadi segmen baru untuk lagoon, 108,4 Ha (11%); dan zona deep
klasifikasi pada level 2 (zona geomorfologi). lagoon, 107,7 Ha (10%).
Dengan demikian, hasil
3.1.2 Klasifikasi Level 2 (Zona pemetaan menunjukkan bahwa zona
Geomorfologi) inner reef flat mendominasi di perairan
Kelas zona geomorfologi dihasilkan dangkal gugus Pulau Pari dengan
dari algoritma MRS dengan parameter luasan terbesar, sedangkan luasan
scale = 100, shapes = 0,1, compactness = terendah berada pada zona reef crest.
94
Klasifikasi Multikskala untuk Pemetaan Zona ......... (Ari Anggoro et al.)
93
Dari Gambar 3-4 diperoleh luas hubungan antar kelas secara hirarki
area dari 9 kelas habitat bentik yaitu: menjadi empat level yaitu reef, reef type,
kelas karang hidup, 73,4 Ha (7%); geomorphic, dan benthic community.
karang hidup + rubble, 78,2 (7%); lamun Penggunaan metode OBIA ini sangat
jarang + pasir, 132,2 Ha (12%); lamun memungkinkan untuk diterapkan
padat, 57,8 Ha (5%); pasir + rubble, 145 berdasarkan prinsip-prinsip ekologi dan
Ha (13%); pasir, 389 Ha (36%); pasir + zona geomorfologi yang dikombinasikan
lamun jarang, 96,3 Ha (9%); pavement/ dengan pengamatan lapangan.
rock, 60,5 Ha (6%); dan rubble, 78,2 Ha Hasil uji akurasi dengan matrik
(7%). Peta klasifikasi habitat bentik pada kesalahan diperoleh akurasi keseluruhan
Gambar 3-4 memperhatikan bahwa sebesar 75% (Tabel 3-1) dan nilai kappa
habitat bentik terdistribusi di perairan sebesar 0,7. Untuk PA dan UA dihasilkan
dangkal gugus Pulau Pari. Distribusi akurasi antara 44%-100% dan dapat
kelas karang hidup (KH) dan pavement dilihat bahwa beberapa kelas habitat
(Pv) mendominasi di zona geomorfologi bentik dapat dipetakan dengan baik.
kelas reef slope. Kelas rubble (R) Kelas habitat bentik yang belum dapat
mendominasi pada zona geomorfologi dipetakan secara baik diperoleh akurasi
kelas reef crest, sedangkan habitat bentik yang rendah masing-masing yaitu kelas
kelas pasir, lamun, dan campuran KHR (37%), LjPs (47%), dan R (48%).
tersebar di zona geomorfologi kelas reef Faktor yang mempengaruhi rendahnya
flat dan sekitar lagoon. Dari hasil akurasi disebabkan kompleksitas habitat
klasifikasi ini terdapat asosiasi yang erat yang sangat tinggi di wilayah kajian.
antara zona geomorfologi dengan Faktor lainnya adalah disebabkan
keberadaan habitat bentik tertentu, kesepadanan antara akurasi GPS
sehingga penelitian ini menerapkan dengan resolusi spasial citra.
klasifikasi multiskala (reef level, Pemetaan habitat bentik di gugus
geomorphic zone, dan habitat benthic). Pulau Pari telah banyak dilakukan
(Phinn, et al., 2011) melakukan dengan metode klasifikasi dan hasil
penelitian geomorfologi dan ekologi akurasi yang berbeda-beda. Klasifikasi
wilayah terumbu karang yang dibagi yang umum digunakan selama ini
menjadi tiga level yaitu reef level, adalah metode klasifikasi berbasis
geomorphic zones, benthic community piksel, sedangkan metode klasifikasi
zones. Selanjutnya (Roelfsema, et al., berbasis obyek belum pernah dilakukan
2013) membagi klasifikasi berdasarkan pada wilayah ini.
94
Klasifikasi Multikskala untuk Pemetaan Zona ......... (Ari Anggoro et al.)
Aircraft and Landsat Data. Int J Remote km2, using object-based image analysis.
Sens 2: 71-82. Int J Remote Sens 34: 6367-6388.
Mumby, PJ., Green EP., Edwards AJ., Clark Selamat, MB,, Jaya I., Siregar VP, Hestirianoto
CD, 1999. The Cost-Effectiveness of T., 2014. Geomorphology Zonation and
Remote Sensing for Tropical Coastal Column Correction for Bottom Substrat
Resources Assessment and Mapping Using Quickbird Image. Jurnal
Management. J Environ Manage 55: Itkt 2.
157-166. Siregar, V., 2010. Pemetaan Substrat Dasar
Navulur, K., 2007. Multispectral Image Analysis Perairan Dangkal Karang Congkak dan
Using the Object-Oriented Paradigm. Lebar Kepulauan Seribu Menggunakan
Taylor & Francis Group, LLC. Citra Satelit Quick Bird. E-Jurnal Itkt 2:
Phinn, SR., Roelfsema CM., Mumby PJ., 2011. 19-30.
Multi-Scale, Object-Based Image Siregar, V., Wouthuyzen S., Sunuddin A.,
Analysis for Mapping Geomorphic and Anggoro A., Mustika AA, 2013.
Ecological Zones on Coral Reefs. Int J Pemetaan Habitat Dasar dan Estimasi
Remote Sens 33: 3768-3797. Stok Ikan Terumbu dengan Citra Satelit
Roelfsema, C., Phinn S., 2008. Evaluating Eight Resolusi Tinggi. E-Jurnal Itkt Vol. 5:
Field and Remote Sensing Approaches Hlm. 453-463.
for Mapping the Benthos of Three Zhang, C., Selch D., Xie Z., Roberts C., Cooper
Different Coral Reef Environments in H., Chen G., 2013. Object-Based
Fiji. Proc. of SPIE. Vol. 71500 71500F-1. Benthic Habitat Mapping in the Florida
Roelfsema, C., Phinn S., Jupiter S., Comley J., Keys from Hyperspectral Imagery.
Albert S., 2013. Mapping Coral Reefs at Estuar Coast Shelf S 134: 88-97.
Reef to Reef-System Scales, 10s–1000s
93